Commande D'un Systeme Biologiq - FAKRI Radouane - 3279

Université Sidi Mohamed Ben Abdellah
Faculté des Sciences et Techniques Fès

Département Génie Electrique
Mémoire de Projet de fin d’étude
Préparé par
RADOUANE Fakri
Pour l’obtention du diplôme
Master Sciences et Techniques

Electronique, Signaux et Systèmes Automatisés
(E.S.S.A)
Intitulé
Commande d’un système

biologique
Encadré par :
Pr. ERRAHIMI FATIMA
Pr. ES-SBAI NAJIA
Soutenu le 13 Juin 2016, devant le jury composé de :
Pr. ES-SBAI NAJIA ……………………………… : Encadrante

Pr. ERRAHIMI FATIMA ………………………...: Encadrante
Pr. MFADDAL BOUAYAD……………………....: Examinateur
Pr. RAZI MOUHCINE…………………………... : Examinateur
ANNEE UNIVERSITAIRE 2015- 2016

Remerciement
Nous tenons à remercier dans un premier temps Dieu
qui m’a donné la force et la patience pour compléter ce
modeste travail.
Avant d’entamer ce rapport, je profite de l’occasion
pour remercier tout d’abord mes professeurs Mme
ERRAHIMI Fatima et Mme ES-SBAI Najia qui n’ont
pas cessé de m’encourager pendant la durée du projet,
ainsi pour leurs générosités en matière de formation et
d’encadrement. Je les remercie également pour leur aide,
leurs conseils, et la confiance qu’elles m’ont témoignée
durant cette période de stage au sein du Laboratoire
Energies Renouvelables et Systèmes Intelligents (LERSI)
du département génie électrique, à la faculté des Sciences
et Techniques de Fès.
Mes remerciements vont également aux membres de
jury, d’avoir accepté d’être examinateur de ce mémoire.
Commande d’un système biologique Page 1

Dédicace
Je dédie ce modeste travail,
A Mes parents,
A Mes frères,
A Mes sœurs,
A Mes amis.

Résumé
Le traitement d'un processus pathologique est considéré comme un problème de contrôle d'un
système dynamique. Un modèle mathématique non linéaire décrivant la dynamique
immunologique humaine est utilisé pour concevoir un système efficace pour l'administration
automatique du médicament. Le modèle est caractérisé par une équation différentielle
ordinaire du quatrième ordre qui décrit les effets de divers médicaments sur le système
dynamique. Sans contrôle, le modèle dynamique met en évidence selon les concentrations
initiales de l'infection une croissance illimitée de l'agent pathogène qui peut être mortel.
Le contrôleur conçu en se basant sur le principe de l’inversion dynamique se révèle efficace
pour immuniser le patient malade en tuant les microbes envahisseurs et guérir l'organe
affecté. Par ailleurs, la commande optimale qui minimise une fonction de coût quadratique
est appliquée sur un intervalle de temps fixe. En considérant des conditions initiales de
concentrations de l’agent pathogène mortel, les solutions de commande optimale qui permet
de se débarrasser de l’agent pathogène et préserver la santé du patient sont démontrées pour
deux cas différents. Finalement, la commande optimale avec retard a été appliquée. Une telle
approche s’est avérée efficace dans le traitement de la maladie permettant de guérir l'organe
malade et d’améliorer le système immunitaire.
Ainsi, La théorie du contrôle peut conduire à de nouveaux protocoles pour le traitement et la
désinfection des maladies humaines.
Abstract
Treatment of a pathogenic disease process is interpreted as the optimal control of a dynamic
system. A generic nonlinear mathematical model describing the human immunological
dynamics is used to design an effective automatic drug administration scheme. The evolution
of the disease is characterized by a non-linear ordinary differential equation of the fourth
order, The model describes the effects of various drugs on the dynamic system. Without
control, the dynamic model highlights the unrestrained lethal growth of the pathogen,
according to the original terms of the infection. The controller is designed based on the
principle of dynamic inversion and is found to be effective in curing the ‘nominal model
patient’ by killing the invading microbes and healing the damaged organ.
Then, optimal control that minimize a quadratic cost function are generated by numerical
optimization over a fixed time interval, given otherwise lethal initial conditions. Optimal
control solutions that defeat the pathogen and preserve organ health are demonstrated for two
different approaches to therapy. Finally the optimal control with delay implementation has
proved effective to kill the pathogen and improve the immune system.
It is shown that control theory can point the way toward new protocols for treatment and
remediation of human diseases.

Liste des figures
Figure 1:problème de contrôlabilité . ....................................................................................... 28
Figure 2:le problème du temps minimal, x*(t) représente une trajectoire optimale ................ 30
Figure 3:les allures d'états et de commande ............................................................................. 34
Figure 4: Réponse immunitaire innée amélioré à une attaque des agents pathogènes ............. 39
Figure 5: Implémentation du modèle sous Simulink ............................................................... 42
Figure 6: Concentration du pathogène x1 dans le cas(1) ........................................................ 43
Figure 7: la concentration des cellules plasmatiques x2 ......................................................... 43
Figure 8 : la concentration d’anticorps x3 ................................................................................ 44
Figure 9: l’organe x4 .............................................................................................................. 44
Figure 10: Réponses immunitaires à des agents pathogènes dans le cas clinique ................... 45
Figure 11:la réponse immunitaire innée dans le cas chronique ............................................... 46
Figure 12: Réponse immunitaire innée dans le cas mortel....................................................... 46
Figure 13 : Réponse immunitaire naturelle innée de tous les cas ............................................ 47
Figure 14: Caractéristiques de l'état du patient sous traitement ............................................... 50
Figure 15: la dose de médicament nécessaire pour le patient. ................................................. 50
Figure 16:Trajectoires de l'état de patients ayant des valeurs de paramètres perturbées. ........ 51
Figure 17: Dosage des médicaments nécessaires pour les patients ayant des valeurs de
paramètres perturbées ............................................................................................................... 52
Figure 18: Thérapie optimale avec tous les coefficients unitaires ........................................... 55
Figure 19:les commandes ......................................................................................................... 55
Figure 20: Equations d'états du système .................................................................................. 56
Figure 21: Les commandes du système.................................................................................... 56
Figure 22: Solution optimale des équations d’états et de commande avec retard égale à un .. 59
Figure 23: Solution optimale des équations d’états avec des retards égale à 2.5 ..................... 60

Sommaire
Remerciement ............................................................................................................................ 1
Dédicace ..................................................................................................................................... 2
Résumé ....................................................................................................................................... 3
Abstract ...................................................................................................................................... 3
Liste des figures ......................................................................................................................... 4
Sommaire ................................................................................................................................... 5
INTRODUCTION GENERALE ............................................................................................... 7
Chapitre 1 : Théorie de Contrôle des systèmes biologiques .............................................. 12
1. Introduction ................................................................................................................... 13
2. Biologie des systèmes ................................................................................................... 13
3. Modélisation et analyse ................................................................................................. 13
4. Comportement stochastique .......................................................................................... 14
5. Système dynamique, Rétroaction et Contrôle .............................................................. 14
6. Exemples des applications de Contrôle dans le domaine de la Biologie ..................... 15
6.1 Système cardio-vasculaire ......................................................................................... 15
6.2 Pancréas artificiel ...................................................................................................... 16
6.3 Neurosciences ............................................................................................................ 17
6.4 D'autres applications médicales ................................................................................ 17
7. Des systèmes à la biologie synthétique ......................................................................... 18
8. Conclusion ..................................................................................................................... 19
Chapitre 2 : Système immunitaire ........................................................................................ 20
1. Introduction ................................................................................................................... 21
2. Que fait le système immunitaire? .................................................................................. 21
3. Où se trouve le système immunitaire dans ton corps ? ................................................. 22
4. Réponse immunitaire.................................................................................................... 24
5. Immunité innée .............................................................................................................. 24
6. Immunité adaptative ...................................................................................................... 25
7. Soigner le cancer avec l’immunothérapie ..................................................................... 25
8. Conclusion ..................................................................................................................... 26
Chapitre 3 : Commande optimale......................................................................................... 27
1. Introduction ................................................................................................................... 28
2. Généralités ..................................................................................................................... 28

2.1 Contrôlabilité ......................................................................................................... 28
2.2 Origine du contrôle optimal ................................................................................... 29
2.3 Contrôle optimal moderne et applications ............................................................. 29
3. Commande optimale ..................................................................................................... 29
3.1. Position du problème ............................................................................................. 29
3.2. Hamiltonien et Principe du minimum de Pontriaguin ........................................... 31
3.3. Exemple [18] .......................................................................................................... 32
3.4. Le calcul des variations .......................................................................................... 34
3.5. Equation d’Euler-Lagrange .................................................................................... 35
4. Commande Linéaire Quadratique a horizon fini ........................................................... 36
5. Conclusion ..................................................................................................................... 37
Chapitre 4 : Commande de la réponse immunitaire innée................................................ 38
1. Introduction ................................................................................................................... 39
2. Le modèle dynamique de la maladie ............................................................................. 39
3. Réponse du modèle sans commande ............................................................................. 42
3.1 Cas (1) : cas sub-clinique ....................................................................................... 43
3.2 Cas (2) : cas clinique .............................................................................................. 45
3.3 Cas (3) : cas chronique ........................................................................................... 45
3.4 Cas (4) : cas mortel ................................................................................................ 46
4. Linéarisation par retour d’état de la réponse immunitaire innée .................................. 48
4.1 Généralités sur la commande linéarisante .............................................................. 48
4.2 Application au système immunitaire ..................................................................... 49
4.3 Etude de la robustesse commande linéarisante ..................................................... 51
5. Commande optimale de la réponse immunitaire innée ................................................. 52
6. Commande optimale avec retards ................................................................................. 56
7. Conclusion ..................................................................................................................... 61
Conclusion générale ................................................................................................................. 62
Références ................................................................................................................................ 64

INTRODUCTION GENERALE
Durant cette dernière décennie, la biologie a connu une nette révolution. En effet, les
nouvelles techniques expérimentales en biologie moléculaire, biophysique, biochimie,
produisent une avalanche de données qui ont besoin d’être traitées, analysées, et comprises.
L’exploitation de ces données requiert à la fois des modèles mathématiques et physiques qui
représentent les lois complexes du vivant, ainsi que l’informatique pour simuler ou estimer
ces modèles, analyser les données, et pour intégrer toutes ces sources d’informations
hétérogènes au sein de bases de données. Ces bases de données seront traitées par la suite
pour en sortir les informations pertinentes.
Ainsi, la modélisation devient une partie du raisonnement biologique. Il s’agit, de permettre

l’exploration, la collecte ainsi que la compréhension de nouvelles données au travers la
production de modèles mathématiques afin d’expliquer, de prédire, voire de contrôler, des
fonctions biologiques. L’objectif étant une meilleure compréhension du vivant, avec des
enjeux dans plusieurs domaines, médicaux, pharmaceutiques, environnementaux et
agronomiques.
La recherche biologique a rassemblé une énorme quantité d'informations sur les processus
biochimiques qui se produisent dans les organismes vivants et qui permettent la vie, la
croissance et la reproduction. La complexité des interactions, même dans le plus simple de ces
organismes, les organismes unicellulaires est très grande et la plupart des informations
disponibles sont encore semi-quantitatives (décrivant seulement l'existence et la force relative
des interactions) et statique. Pour une meilleure compréhension et pour une conception
systématique des médicaments ou des microorganismes pour la production de substances
pharmaceutiquement ou techniquement efficaces et acceptables, une interaction accrue entre
l’automatique et la recherche biologique est fortement nécessaire. Seule la création de
modèles mathématiques qui peuvent être simulés et (au moins partiellement) analysés,
permettra de comprendre complètement les dépendances des différents mécanismes et de faire
la distinction entre les interactions dominantes ou subordonnées, rapides ou lentes.
L’Automatique offre des outils pour analyser les comportements dynamiques, non linéaires et
discontinus des systèmes complexes, et à son tour bénéficie de nouveaux défis théoriques à
relever, posés par la communauté biologique. La construction de modèles mathématiques
fournit également une référence commune pour l'intégration des résultats des divers travaux
en laboratoire et la détermination des questions ouvertes cruciales. La recherche biologique
évolue de l'analyse des organismes naturels vers la re-conception des systèmes biologiques,
appelée la biologie synthétique, qui consiste à supprimer des composants existants et à ajouter
de nouveaux composants dans la cellule vivante. Encore une fois, l’Automatique fournit un
cadre utile pour étudier cette re-conception. Les commandes sont essentielles à la viabilité
d'un tel système biochimique artificiel et le domaine de l’Automatique est en excellente
position pour contribuer efficacement à ce domaine.

Le système biologique considéré dans ce travail est le système immunitaire inné. C’est l’un
des systèmes les plus importants et des plus étonnants qui opèrent dans nos corps, se
chargeant d’une des plus vitales missions de la vie. Tous les éléments du système immunitaire
protègent notre corps comme les soldats d’une immense armée. Les cellules immunitaires qui
protègent le corps humain contre les envahisseurs, tels que : les bactéries, les virus et les
micro-organismes similaires, sont pourvues de capacités extraordinaires. Quand il y a une
invasion de pathogènes dans un organe, le système immunitaire réagit par la production de
cellules plasmatiques, qui produisent des anticorps qui combattent l'agent pathogène. Si la
concentration de l'agent pathogène envahisseur est élevée, il y a des dommages considérables
à l'organe et le corps ne parvient pas à lancer une forte réponse immunitaire. Par conséquent,
le système immunitaire devient faible, ce qui conduit à une production réduite de cellules
plasmatiques et d’anticorps. Dans ce cas, l'organe affecté ne parvient pas à se redresser
naturellement et il y a donc un besoin de médicaments à usage externe. Les options
disponibles pour le traitement d'une maladie infectieuse permettent de tuer les microbes
envahisseurs directement, en améliorant l'efficacité du système immunitaire (production de
cellules plasmatiques et anticorps) ou de guérir l'organe affecté directement. Ces médicaments
augmentent généralement la capacité naturelle du corps à combattre l'infection et
éventuellement guérir l'organe endommagé.
L’objectif de ce travail est de concevoir un système automatique et efficace pour

l'administration du médicament. Pour cela, un modèle mathématique non linéaire décrivant
la dynamique immunologique humaine est utilisée. D'un point de vue théorique, les
médicaments peuvent être interprétés comme des entrées de commande, qui peuvent être
conçues en se basant sur des concepts théoriques de contrôle. Le contrôleur est conçu dans
un premier temps en s’appuyant sur le principe de l'inversion dynamique, ensuite la
commande linéaire quadratique à horizon fini est utilisée. Enfin, la commande optimale avec
retard basée sur le principe du maximum de Pontriaguine est appliquée.
Le rapport est structuré comme suit :
Le chapitre 1 fournit un bref aperçu aux concepts de la biologie des systèmes, les approches
de modélisation, l'analyse et la conception de systèmes de rétroaction. Nous commençons par
une discussion sur le rôle de la modélisation, l'analyse et la rétroaction dans les systèmes
biologiques. Suivi par quelques applications de contrôle dans le domaine de la biologie.
Enfin, nous donnons une introduction de la biologie synthétique.
Le chapitre 2 est dédié au système immunitaire. Après un aperçu général sur le système
immunitaire son rôle et ses mécanismes de défense, une brève présentation de ces deux types:
innée et adaptative est exposée et on termine par l’opportunité qu’offre l’immunothérapie
pour soigner des maladies.

Le chapitre 3 est destiné à la commande optimale. L’objectif de ce chapitre est de présenter,
du point de vue mathématique, les bases théoriques du contrôle optimal pour des systèmes de
contrôle généraux (non linéaires), avec notamment le principe du maximum de Pontryagin,
ainsi que la théorie d’Hamilton-Jacobi. Ensuite, la théorie du contrôle optimal pour des
systèmes de contrôle linéaires est étalée, la théorie dite linéaire-quadratique.
Finalement, le chapitre 4 regroupe les différentes commandes appliquées à notre système

biologique, le système immunitaire inné. Après avoir simulé le modèle sans commande, une
commande simple à savoir la commande linéarisante est appliquée. Ensuite la commande
optimale linéaire quadratique à horizon fini est mise en œuvre. Enfin un contrôleur est conçu
en se basant sur la commande optimale avec retard.
Nous achevons ce rapport par une conclusion générale qui résume le travail effectué.

Ce stage a été effectué au laboratoire Energies renouvelables et Systèmes intelligents. Ce
laboratoire de la faculté des sciences et Technique couvre différents domaines de recherches
complémentaires et innovants. Il est dirigé par le professeur Ali Ahaitouf. J’ai effectué ce
stage au sein de l’équipe 2.
Le Laboratoire LERSI est constitué de 3 équipes de recherches à savoir :
 Equipe 1 : Microélectronique et Systèmes Embarqués (MSE)

Responsable de l’équipe : Pr Ali AHAITOUF
Adresse mail : ali.ahaitouf@usmba.ac.ma
Thèmes de recherche :
 Microélectronique, Electronique des composants
 CEM des circuits intégrés
 Systèmes embarqués, Description matériel
 Traitements et compression d’images et de vidéo
 Antennes et propagation
 Photovoltaïque à concentration
 Equipe 2 : Système à Energies Renouvelables : Intégration & Gestion Intelligence

(SERIGI)
Responsable de l’équipe : Pr Abdallah MECHAQRANE
Adresse mail : abdellah.mechaqrane@usmba.ac.ma
 Energie solaire et énergie éolienne, gisements et valorisation
 Traitement de signaux et modélisation des réseaux intelligents
 Algorithme d’optimisation
 Smart grid et développement des systèmes multisources
 Equipe 3 : Réseaux, Télécommunications et Ingénierie Logicielle (RTL)

Responsable de l’équipe : Pr BENNANI DOSSE Saad
Adresse mail : saad.d.bennani@gmail.com
 Théorie, conception et expérimentation des antennes micro-ondes pour des applications RFID
 Solving the Continuous Multifacility Ordered Median Location Problems
 Services Web, Ingénierie dirigée par les Modèles, Adaptation
 Conception et mise en place de systèmes intelligents améliorant le concept ABC (Always Best
Connected) pour la prochaine génération de véhicules connectés
 Scientific computing, Numerical analysis, Polynomial optimization and location theory
 Multiobjective and multi criteria optimization

Membres permanents :
Equipe de
Nom & prénom e.mail
recherche
AHAITOUF Ali ali.ahaitouf@usmba.ac.ma MSE
JORIO Mohammed m_jorio@yahoo.fr MSE
RAZI Mouhcine mouhcine.razi@gmail.com MSE
Moghamir Khadija Khadija.moghamir@usmba.ac.ma MSE
MANSOURI Anas anas_mansouri@yahoo.fr MSE
Mechaqrane Abdellah abdellah.mechaqrane@usmba.ac.ma SERIGI
ERRAHIMI Fatima errahimifatima@yahoo.fr SERIGI
ES-SBAI Najia najia.essbai@usmba.ac.ma SERIGI
BENNANI DOSSE Saad saad.d.bennani@gmail.com RTL
ELHAJ-BEN-ALI Safae anasafae@gmail.com RTL
LAKHRISSI Younes younes.lakhrissi@gmail.com RTL
KENZI Adil adil.kenzi@gmail.com RTL
EZZOUHAIRI Abdellatif abdellatif.ezzouhairi@polymtl.ca RTL

Chapitre 1 :
Théorie de Contrôle des

systèmes biologiques

1. Introduction
Ce chapitre fournit un bref aperçu aux concepts de la biologie des systèmes, les approches
de modélisation, l'analyse et la conception de systèmes de rétroaction. Nous commençons par
une discussion sur le rôle de la modélisation, l'analyse et la rétroaction dans les systèmes
biologiques. Suivi par quelques applications de contrôle dans le domaine de la biologie.
Enfin, nous donnons une introduction de la biologie synthétique.
2. Biologie des systèmes

La biologie des systèmes est une approche scientifique révolutionnaire qui cherche à
comprendre comment tous les composants individuels d'un système biologique interagissent
dans le temps et l'espace pour déterminer le fonctionnement du système. La biologie des
systèmes cherche à intégrer différents niveaux d'informations pour comprendre comment
fonctionnent des systèmes biologiques. En étudiant les relations et les interactions entre
différentes parties du système biologique (organites, cellules, systèmes physiologiques,
réseaux de gènes et de protéines permettant la communication des cellules), le chercheur tente
de découvrir un modèle de fonctionnement de la totalité du système. La biologie des systèmes
permet donc de modéliser la fonction complexe de cellules, des organes et des organismes
entiers, apportant avec elle le potentiel d'améliorer notre connaissance de la santé et de la
maladie.
La biologie des systèmes est devenue une approche viable à la suite de récents
développements dans le domaine des sciences biologiques, l'ingénierie des systèmes,
l'imagerie, les mathématiques et l'informatique. L'un de ses effets les plus immédiats seront
dans le secteur pharmaceutique où, au moyen d'un processus de développement de
médicaments plus efficaces, les systèmes Biologiques apportent des médicaments innovants
pour les patients plus rapidement et à moindre coût. Ce sera un outil essentiel pour élucider
les nombreux facteurs interdépendants qui contribuent aux causes des conditions médicales
communes, à court terme qui donne des informations importantes sur les maladies
cardiovasculaires et la fonction du foie et, à plus long terme, l'augmentation de notre
compréhension du cancer et la démence.
3. Modélisation et analyse
Au cours des dernières décennies, il y a eu des avancées significatives dans la modélisation
pour les systèmes biologiques qui ont conduit à de nouvelles connaissances sur les
interactions complexes des processus à l'échelle moléculaire.
La modélisation fournit un cadre théorique unifié prenant en compte des observations

expérimentales et réaffirmant les conclusions tirées de l’expérience. Ce cadre théorique unifié
confère au modèle une aptitude à résumer les données expérimentales. Le modèle est utilisé
pour expliquer, prédire et analyser systématiquement les comportements du système. Par
ailleurs, la structure mathématique d’un modèle permet d’identifier les liens avec des

phénomènes similaires se produisant dans d’autres contextes, et permet de poser des questions
inaccessibles à l’expérience. Il pourra prédire de nouveaux résultats et suggérer des
expériences de validation.
Un élément clé de l'application réussie de la modélisation dans les disciplines d'ingénierie est
l'utilisation de modèles d'ordre réduit qui conservent la dynamique sous-jacente du système
sans modéliser nécessairement tous les détails des mécanismes sous-jacents.
4. Comportement stochastique
Une autre caractéristique importante de nombreux systèmes biologiques est la stochasticité :

Les réponses biologiques peuvent être aléatoires. En effet, même sous des conditions
identiques, la réponse d'un système à une entrée donnée peut varier d'une expérience à une
autre. Ce caractère aléatoire peut avoir de nombreuses sources possibles, y compris des
perturbations externes qui sont modélisés comme des processus stochastiques et des processus
internes comme les liaisons moléculaires et déliaison, dont la stochasticité provient des
réactions moléculaires.
Pour les systèmes biologiques apparaissent de nombreuses situations dans lesquelles la
stochasticité est importante pour la façon dont les organismes survivre. En biologie, il y a
toujours une chance que deux organismes identiques répondent différemment. Aussi les virus
ne sont jamais complètement contagieux ainsi certains organismes vont survivre, et la
réplication de l’ADN n’est jamais sans erreur, et ainsi des mutations et des évolutions peuvent
se produire.
Les modèles qui sont utilisés pour décrire le comportement stochastique sont très différents
que celles utilisées pour les réponses déterministes. Au lieu d'écrire les équations
différentielles, les événements individuels qui peuvent se produire doivent être maintenus
avec une certaine probabilité par unité de temps.
5. Système dynamique, Rétroaction et Contrôle

Pour étudier la dynamique complexe des systèmes biologiques, les modèles mathématiques
combinés avec des outils analytiques et de calcul sont utilisés.
Un système dynamique est un système dont le comportement change au fil du temps, souvent
en réponse à une stimulation externe. On n’a une rétroaction (feedback) si deux (ou plus) des
systèmes dynamiques sont reliés entre eux de telle sorte que chaque système influence l'autre
et leur dynamique sont donc fortement couplée. Les systèmes biologiques font souvent usage
de la rétroaction, sur des échelles allant de molécules aux cellules pour les organismes aux
écosystèmes.
Un exemple est la régulation du glucose dans le sang à travers la production de l'insuline et du

glucagon par le pancréas. Le corps tente de maintenir une constante concentration de glucose,
qui est utilisé par les cellules du corps pour produire de l'énergie.
Lorsque les niveaux de glucose augmentent (après un repas, par exemple), l'hormone insuline

est libérée et amène le corps à stocker l'excès de glucose dans le foie. Lorsque les niveaux de
glucose sont faibles, le pancréas sécrète l'hormone glucagon, qui est un effet opposé.
L’interaction entre les sécrétions de l'insuline et de glucagon tout au long de la journée permet
de maintenir la concentration sanguine constante de glucose à environ 90 mg par 100 ml du
sang.
La rétroaction a des propriétés intéressantes qui peuvent être exploitées dans la conception de
systèmes. Comme dans le cas de la régulation du glucose, la rétroaction peut conduire à un
système robuste vis-à-vis des influences extérieures. Il peut également être utilisé pour créer
un comportement linéaire à partir des composants non-linéaire, une approche commune dans
l'électronique. Plus généralement, la rétroaction permet à un système d'être insensible à la fois
aux perturbations extérieures et aux variations de ses éléments individuels.
La rétroaction offre aussi la possibilité de changer la dynamique d'un système. En effet, le

comportement d'un système peut être modifié pour répondre aux besoins des applications: les
systèmes qui sont instables peuvent être stabilisés, les systèmes qui sont lent peuvent agir plus
rapidement, et les systèmes dont les points de fonctionnement sont variables peuvent être
maintenue constants. La théorie du contrôle fournit de nombreuses techniques pour analyser
la stabilité et la réponse dynamique des systèmes complexes.
6. Exemples des applications de Contrôle dans le domaine de la

Biologie
L’application du contrôle dans le domaine biologique est une discipline relativement jeune
par rapport à ses utilisations dans l'aéronautique, l'automobile ou les procédés chimiques.
Nous nous concentrerons sur ce qu'on appelle la red biotechnology, c.-à-d. les applications
dans le domaine médical, par opposition à la blue biotechnology (utilisation aquatique de
technologie biologique), le green biotechnology (agriculture et utilisation d'usine), et la white
biotechnology (applications industrielles)
Par conséquent, l'accent est mis sur l'application des techniques du contrôle des systèmes au
domaine médical, qui est très différente de son application dans les autres domaines pour
plusieurs raisons :
 Son manque de maturité.

 elle a un grand impact sur la vie humaine.
 elle est loin d'être bien établie.
Dans la suite, Nous présentons brièvement quelques développements dans ce domaine, pour
plus de détails sur le sujet voir les références [1]-[2].
6.1 Système cardio-vasculaire

Les appareils d'assistance cardiaque sont utilisés depuis longtemps mais l'application de la
théorie du contrôle et des techniques de modélisation des procédés à ces dispositifs ne s'est

faite que récemment [3]-[4]. En effet l’appareil d'assistance cardiaque est une pompe
mécanique qui compense le débit cardiaque endogène à une pression appropriée afin de
permettre une circulation normale du sang dans le corps du patient. Le rôle et le chalenge
auquel doit répondre le contrôle c'est de faire face aux changements du débit cardiaque en
fonction de l'état du patient (niveau d’exercice, posture, émotions..).
Le premier appareil implantable qui a reçu l'approbation de la F.D.A (Food and Drug
Administration) aux états unies en 1998 est celui de Baxter/Navaco, le LVAD (Left
Ventricular Assist Device). Le dispositif idéal devrait reproduire les mêmes mécanismes du
corps humain qui permettent de maintenir le débit cardiaque à un niveau adapté à l'état du
patient, cependant les appareils qu'on trouve sur le marché reste assez primitifs en termes
d'automatisme : le patient doit ajuster lui-même le point de consigne.
Une application récente sur les pacemakers utilise une analyse en temps réel et un contrôle
adaptatif. Un appareil d'assistance ventriculaire (VAD) exploite la possibilité de rétroaction et
le contrôle à base de modèle pour compenser les changements suivant les besoins du patient.
Plus récemment la société Word Heart Inc a développé un dispositif nommé Levacor qui
fonctionne sur le principe de lévitation magnétique. Le contrôle est basé sur un système
hybride passif/actif de roulements magnétiques et pour lequel la partie active utilise de
rétroaction active (active feedback loop). Le point fort de cette technologie est la grande
fiabilité de conception électronique et le transfert de savoir-faire du contrôle commande
développé pour l'industrie aéronautique.
Dans le domaine cardiovasculaire, une autre application mérite d'être citée : Un système de
guidage magnétique des cathéters pour la physiologie et d'autres procédures. Le système de
commande est une combinaison de contrôle anticipatif (feedforward control) de rétroaction
(feedback) et de synthèse adaptative du modèle visuel du cœur.
6.2 Pancréas artificiel

Dans le domaine des systèmes endocrinien, le secteur le plus actif pour le développement
de systèmes de contrôle a été le pancréas artificiel pour le diabète de type 1. Un tel dispositif
se composerait de sonde continue de glucose, de pompe d'infusion d'insuline, et d'algorithme
pour régler l'insuline dosant selon les niveaux mesurés de glucose. Les algorithmes linéaires
et non linéaires du proportionnel-dérivé (PD) ont été appliqués pour émuler le profil biphasé
de sécrétion d'insuline. Certains des premiers travaux incluent le système contrôlé par le
glucose d'infusion d'insuline (GCIIS) [5], qui a employé quelques données de patientes. Le
Biostator [6] comporte également un algorithme non linéaire de PD.
Plus récemment, des technologies de contrôle avancé ont été développées pour le pancréas
artificiel, y compris des variations sur le contrôle de PID [7],et la commande prédictive [8].
Au cours des dernières années, les études cliniques des méthodes de contrôle avancées se sont
montrées prometteur pour les futurs développements de dispositif [9] - [10]. La plupart de ces
procès emploient un certain degré d'intervention humaine, par exemple, indiquer la quantité
du repas avant de manger.

6.3 Neurosciences
Les sciences du cerveau (de la neurophysiologie à la psychophysique) visent à construire
des modèles de perception, d'action, de coordination, de conscience, de sensibilité au
contexte, d'adaptation et de prise de décision. Une énorme quantité d’observations et de
recherche concernant les comportements neuronaux a déjà été publiée, mais il y a un manque
largement ressenti, d’approche systématique de modélisation par des systèmes dynamiques et
d’interprétation par ces systèmes, de phénomènes observés. Les notions d’«état sensibilisé»,
de «prise de décision dépendant de l’état», d’«identification par anticipation», qui
apparaissent dans la littérature, montrent une ressemblance frappante avec les concepts de la
théorie des systèmes sur la reconstruction de l'état, la rétroaction, l'identification, le contrôle
adaptatif, etc. Cette similitude est bien plus qu'une simple ressemblance de langage - ces
problèmes sont en réalité les mêmes, bien que le niveau de complexité des systèmes est
énorme dans la science du cerveau. Cependant, jusqu’à présent, très peu de liens ont été
établis entre les méthodologies et les techniques de l’Automatique et la recherche sur le
système neuronal. L'approche système pour la modélisation et l'analyse du fonctionnement du
cerveau devient un outil de plus en plus reconnu et accepté par les neurologues. Poursuivre et
intensifier l’intégration des communautés de neurologues et d’automaticiens est une question
centrale pour permettre une compréhension plus profonde des mécanismes du cerveau et des
applications innombrables qui s’en déduisent.
6.4 D'autres applications médicales
Un certain nombre de dispositifs biomédicaux qui ont été avec succès traduits en produits
commercial utilisant la technologie en circuit fermé incluent le défibrillateur automatique
implantable permettant, outre les fonctions classiques de stimulation, la détection et le
traitement des troubles du rythme ventriculaire; L'électrogramme intracardiaque (IEGM), et le
moniteur de saturation de l'oxygène. Dans d'autres secteurs de dispositif biomédicaux, des
sondes sont utilisées pour fournir la rétroaction pour commander et fournir les signaux
électriques qui stimulent le cerveau pour soulager les tremblements de la maladie de
Parkinson et de l'épilepsie en déterminant l'ampleur et la synchronisation de la stimulation. En
plus, des dispositifs biomédicaux en circuit fermé sont utilisés pour traiter la maladie
vasculaire périphérique à l'aide des sondes pour mesurer le flux sanguin dans les membres
d'un patient et pour déterminer le niveau de la moelle épinière ou de la stimulation
périphérique de nerf exigée pour améliorer le flux sanguin, réduisant de ce fait la douleur
ischémique dans les membres. Le contrôle de température en circuit fermé a été utilisé dans
des systèmes d'ablation (tels que l'Atakr de Medtronic) avec la rétroaction de thermocouple
pour la sécurité.
Par ailleurs, les applications médicales peuvent bénéficier de la théorie des systèmes et de
l'identification développée pour des modèles de populations. En effet, les progrès sur la
modélisation et l'identification des dynamiques de population auront un impact sur les études
en pharmacocinétique et permettront le développement de modèles pour mettre en évidence le
rôle de la variabilité de la population dans le développement ou l’évaluation de médicaments.
Par exemple, dans l'inhibition de croissance tumorale, les modèles mettant en évidence l'effet

des combinaisons de médicaments anti-tumoraux sont à leurs balbutiements et nécessitent des
modèles dynamiques identifiables suffisamment bien paramétrés pour décrire les effets des
médicaments, soit synergiques, soit antagonistes au sein d'une population de patients. Ces
modèles ouvrent la voie à la délivrance optimale des médicaments dans le traitement du
cancer qui peut être reformulée en un problème de contrôle avec les objectifs contradictoires
d'inhibition efficace de la croissance tumorale et d’une toxicité acceptable des médicaments
administrés.
7. Des systèmes à la biologie synthétique

La biologie synthétique est un domaine qui connait une croissance rapide, il cherche à
utiliser les principes biologiques pour construire des dispositifs et des systèmes d'ingénierie
utiles. Nombreux sont les applications de la biologie synthétique allant de la production de
matériaux (médicaments, biocarburants) passant par la détection et le diagnostic biologique
(détection chimique, diagnostic médical) jusqu’ aux machines biologiques (Bioremédiation, la
robotique à l'échelle nanométrique). Il n’est pas encore clair où la biologie synthétique aura
son plus grand impact.
Plusieurs développements scientifiques et technologiques au cours des quatre dernières

décennies ont préparé le terrain pour la conception et la fabrication de la biologie de synthèse
précoce. Un premier jalon dans l'histoire de la biologie synthétique peut remonter à la
découverte de la logique mathématique dans la régulation des gènes. En 1961, Jacob et
Monod introduit pour la première fois l'idée de régulation de gêne grâce à la rétroaction de la
transcription. Seulement quelques années plus tard (1969), des enzymes de restriction qui
coupent l'ADN double brin à des sites da reconnaissance spécifique ont été découverts par
Arber et collaborateurs. Ces enzymes sont des éléments importants de la technologie de
recombinaison d'ADN, dans lequel les gènes d'un organisme sont extrait et épissé dans le
chromosome d'une autre. Un des plus célèbres produits de cette technologie est la production
à grande échelle de l'insuline en utilisant Les bactéries E. coli comme une fabrique de
cellules.
La biologie synthétique a la possibilité de fournir de nouvelles approches à la résolution de

problèmes de science et d'ingénierie. Quelques applications d'ingénierie incluent le
développement de circuits synthétiques pour la production de biocarburants, de capteurs
chimiques ultrasensibles, ou la production de matériaux ayant des propriétés spécifiques
adaptés aux besoins commerciaux. En plus de l'impact potentiel sur les machines
biologiquement développées, il y a aussi le potentiel d’améliorer la compréhension des
processus biologiques. Par exemple, de nombreuses maladies telles que le cancer et la maladie
de Parkinson sont étroitement liées au mauvais fonctionnement des kinases. L'analyse des
systèmes de kinases robustes et la capacité de synthétiser des systèmes qui prennent en charge
ou invalider les hypothèses biologiques peuvent conduire à une meilleure compréhension des
systèmes défaillant qui mènent à ces maladies.

8. Conclusion
En conclusion, pour souligner l'importance des systèmes biologiques comme domaine de
cible pour les automaticiens, notons trois grands défis pour la technologie des systèmes
de contrôle en médecine:
 Produire de meilleurs traitements médicaux.
 Faire progresser l'informatique médicale : Des systèmes d'information plus
développé de santé améliorent non seulement les visites médicales quotidiennes, mais
ils sont essentiels pour lutter contre des pandémies et des attaques biologiques ou
chimiques.
 Effectuer la rétro-ingénierie du cerveau: Pendant des décennies, certains des
meilleurs ingénieurs ont essayé de développer des machines intelligentes capables
d'émuler l'intelligence humaine. Un des bénéfices principaux de ce grand projet sera
l’aperçu précis qu’il nous offrira de nous-mêmes. Nous découvrirons aussi de
nouvelles techniques pour traiter les problèmes neurologiques tels que la maladie
d’Alzheimer, les attaques cérébrales, la maladie de Parkinson, et les déficiences
sensorielles, sans compter les extensions de nos intelligences.

Chapitre 2 :
Système immunitaire

1. Introduction
Le système immunitaire est, au quotidien, occupé à nous protéger contre les myriades de
microbes qui nous entourent et peuvent nous rendre malade. Il fait son travail sans même que
nous nous en rendions compte. Les vaccinations activent le système immunitaire et lui
permettent de nous défendre contre des microbes que nous n’avons pas encore rencontrés. De
nouveaux médicaments comme les anticorps monoclonaux apparaissent pour traiter de
nombreuses maladies.
Le système immunitaire et ses dysfonctionnements concernent de plus en plus notre vie
quotidienne, de ce fait c’est le système biologique que nous avons considéré dans ce travail.
Ce chapitre est dédié au système immunitaire. Après un aperçu général sur le système
immunitaire son rôle et ces mécanismes de défense, une brève présentation de ces deux
types : innés et adaptative est exposée et on termine par l’opportunité qui offre
l’immunothérapie pour soigner des maladies.
2. Que fait le système immunitaire?
Environ un bébé sur 100 000 vient au monde sans système immunitaire. Cette maladie est
connue sous le nom, de Syndrome d’Immunodéficience Combinée Sévère ou SCID. Les
enfants nés avec ce déficit n’ont aucune des protections contre les pathogènes qu’ont les
bébés en bonne santé. Par pathogènes, on entend les microbes comme les bactéries, les virus
et les champignons qui peuvent te rendre malade. C’est pourquoi les bébés atteints de SCID
sont très malades quand ils ont une infection.
Quand des microbes entrent dans notre corps, il y a une infection. Habituellement, quand on
a une infection, on a de la fièvre et parfois mal au ventre et de la diarrhée. Cependant, si on se
repose un peu, dans la plupart des cas on se sent de nouveau bien rapidement. C’est notre
système immunitaire qu’on doit remercier pour cette guérison.
Mais ce n’est pas la seule fonction du système immunitaire. En effet, si un microbe nous
rend malade une fois et qu’on guérit, on ne retombera pas malade à cause de lui une deuxième
fois. Cette capacité est une autre fonction importante de notre système immunitaire. Notre
système immunitaire se souvient de tous les microbes qui nous ont infectés. Donc, si on en
rencontre un à nouveau, on ne tombera pas malade.
Les scientifiques appellent cette capacité la mémoire immunitaire. La mémoire immunitaire
nous protège et nous empêche de retomber malade quand on rencontre une deuxième fois un
microbe. Par contre, elle ne peut rien faire si on est infecté par un nouveau microbe. A chaque
nouvelle infection, le système immunitaire doit repartir de zéro pour mémoriser le microbe
qui l’a déclenchée.
Chaque jour, chacun de nous rencontre des milliers de microbes. Quand nous sommes adultes,
notre système immunitaire en a mémorisé un nombre incroyable.
Les vaccins, que nous avons reçus, augmentent le nombre de microbes que notre corps peut
reconnaître. Ils contenaient des microbes qui avaient été affaiblis pour qu’on puisse
développer une immunité contre eux sans être malade.

3. Où se trouve le système immunitaire dans ton corps ?
Dans notre corps, il y a une incroyable variété de cellules, chacune avec une fonction qui
lui est propre. Le système immunitaire est, lui aussi, composé de cellules spécialisées. Ces
cellules sont appelées les cellules immunitaires. Notre sang contient un nombre important de
globules rouges que l’on appelle les érythrocytes. Cependant, il contient aussi des globules
blancs ou leucocytes. Ces globules blancs sont les cellules de notre système immunitaire.
Puisque le sang circule dans tout notre corps, les globules blancs sont aussi présents partout.
Donc on peut trouver le système immunitaire n’importe où et partout dans notre corps.
Cependant, à certains endroits du corps, les globules blancs sont particulièrement concentrés :
par exemple dans les ganglions et la rate. Ces organes sont importants car c’est là que la
réponse immunitaire démarre quand on a une infection.
Les globules blancs se trouvent n'importe où dans le corps. Cela inclut les régions qui sont en
contact avec l’extérieur pour la nourriture ou l’air : la bouche, le nez, les poumons et
l’intestin. De nombreux globules blancs sont également présents dans la peau, où ils peuvent
immédiatement détruire les microbes qui entrent dans le corps.
Parmi les cellules du système immunitaire il y a les neutrophiles, un groupe de globules

blancs qui sont toujours présents dans le sang se déplacent vers la plaie pour détruire les
germes.
Les macrophages sont d’autres globules blancs qui détruisent les microbes en les mangeant. Il
y a des macrophages dans les poumons, le foie, la peau et le tube digestif.
Les lymphocytes sont un autre groupe de globules blancs. Ce sont les plus petits de la famille.
Ils peuvent mesurer 10 microns, il en existe de nombreuses sortes, chacun avec une fonction
qui lui est propre. Parmi les lymphocytes, on trouve les lymphocytes B qui produisent des
armes spéciales appelées anticorps qui se collent aux microbes et aident le système
immunitaire à les détruire. On trouvera aussi des lymphocytes T auxiliaires et des
lymphocytes T tueurs. Les lymphocytes T auxiliaires aident les lymphocytes B à produire des
anticorps et augmentent la capacité des macrophages à attaquer les microbes.
Les lymphocytes T tueurs, comme le suggère leur nom, sont les tireurs d’élites de la famille
des globules blancs. Ils « liquident » les cellules de notre organisme qui ont été infectées par
un virus.
D’autres globules blancs importants s’appellent les cellules dendritiques. Le nom de ces
cellules vient des bras qu’elles possèdent et qui rayonnent comme les branches d’un arbre
(Dendron vient du grec et signifie arbre). Quand les microbes pénètrent dans le corps, les
cellules dendritiques aident les cellules T auxiliaires à comprendre de quel microbe il s’agit et
leur indiquent le meilleur moyen de les détruire.
Les globules blancs débarrassent notre corps des microbes dangereux de trois façons soit :
 Les avaler en un seul morceau : Les neutrophiles et les macrophages avalent les
microbes, en particulier les bactéries, en un seul morceau. Ils tuent alors les bactéries
qu’ils ont avalées en les réduisant en miettes.
 Tuer les cellules infectées : Les cellules infectées par un virus sont très dangereuses
pour le corps et doivent être éliminées au plus vite. Les lymphocytes T tueurs trouvent

les cellules infectées par les virus où ils se multiplient, ils les détruisent et bloquent la
diffusion des virus.
 Destruction par les anticorps : A l’intérieur du corps, les bactéries non seulement se
multiplient, mais elles produisent aussi des toxines dangereuses pour le corps qui sont
appelées toxines bactériennes. Pour empêcher le fonctionnement de ces toxines, les
lymphocytes B les détruisent avec des armes appelées anticorps. Les anticorps peuvent
également se coller aux virus pour éviter qu’ils ne pénètrent dans les cellules. Et un
virus qui ne peut entrer dans une cellule ne peut pas se multiplier ! Les anticorps ont
un autre rôle important. Ils s’attachent aux bactéries afin de les rendre appétissantes
pour les macrophages. Même si les macrophages peuvent avaler les bactéries en toutes
circonstances, ils le font beaucoup mieux quand elles sont recouvertes d’anticorps. Les
anticorps voyagent dans tout le corps grâce au sang. Cela veut dire que, quelle que soit
la région du corps infectée, les anticorps peuvent l’atteindre rapidement pour
combattre les microbes dangereux !
Toutes les cellules du système immunitaire sont des globules blancs et elles sont produites
dans les os. Les os sont très durs, mais leur centre plus mou qui ressemble à une éponge est
appelé la moelle osseuse. Les cellules du sang sont fabriquées à partir de cellules spéciales qui
se trouvent dans la moelle osseuse appelées cellules hématopoïétiques ou cellules souches
sanguines. A partir d’une seule cellule souche, on peut fabriquer un nombre quasi infini de
n’importe quelle cellule du système immunitaire.
Comme les globules rouges et les plaquettes, la plupart des cellules du système immunitaire
telles que les polynucléaires neutrophiles, les macrophages et les lymphocytes B sont
fabriquées dans la moelle osseuse. Seuls les lymphocytes T sont différents. Ils sont produits
dans un organe particulier, localisé près du cœur, appelé le thymus. Les cellules souches qui
doivent devenir des cellules T quittent la moelle osseuse pour aller dans cet organe où elles
vont devenir matures.
Ces nouvelles cellules quittent alors le thymus et la moelle osseuse et diffusent dans tout le
corps via les vaisseaux sanguins. Elles vont dans les ganglions et la rate, l’endroit où la
réponse immunitaire est mise en place, pour commencer à travailler.
La rate et les ganglions sont des lieux de rencontre des cellules immunitaires.
Ils sont des lieux particuliers où les cellules du système immunitaire échangent des
informations leur permettant de se multiplier. C’est aussi là que les anticorps sont produits et
que les lymphocytes T tueurs sont activés.
Quand on attrape un rhume, on a mal à la gorge, on sent de petites boules dans notre cou. Ces
boules sont les ganglions lymphatiques, ils gonflent quand tes cellules immunitaires
combattent le virus du rhume, tout près de notre nez et de la bouche par lesquels il est entré.

4. Réponse immunitaire
L’attaque lancée par les cellules immunitaires pour se débarrasser des microbes est appelée
une réponse immunitaire.
Le système immunitaire réagit quand on a besoin et autant qu’on a besoin. Ainsi, La fièvre
qui s’élève quand on a un rhume est dû à la réponse immunitaire, mais la température doit
diminuer après la destruction du virus.
Le système immunitaire développe plusieurs méthodes pour limiter une réponse exagérée. Il
possède des molécules et des cellules qui ont pour rôle d’inhiber la réponse immunitaire.
Une cellule spécialisée dans ce domaine est le lymphocyte T régulateur. Le système
immunitaire peut non seulement arrêter une réponse immunitaire en cours, mais il peut
empêcher le développement d’une attaque inutile. Les récepteurs d’antigène des lymphocytes
sont très sensibles et peuvent détecter de très faibles signaux. Cependant, quand les cellules
reçoivent un signal faible, elles répondent seulement en se tenant prêtes à agir. C’est
uniquement après un signal fort, dû à une infection par exemple, qu’elles passent à l’action.
Le système immunitaire fournit au corps un système de défense très fiable. Il est composé de
cellules spécialisées, équipées d’un système de communication sophistiqué et d’armes telles
que les anticorps. Mais le système immunitaire possède également toute une collection de
mesures de sécurité pour éviter de se lancer dans des attaques inutiles et pour ne pas blesser le
corps en mettant en jeu plus de forces que nécessaire.
La réponse immunitaire comporte deux aspects : elle peut être innée ou adaptative.
5. Immunité innée
L'immunité innée ou naturelle, est présente dès la naissance et constitue la première ligne
de défense contre la majorité des agents infectieux. Cette immunité naturelle comporte des
barrières qui empêchent la pénétration des agents nocifs dans l'organisme. La peau est un bon
exemple et représente une barrière impénétrable. Les yeux utilisent un liquide, les larmes, et
la présence d'enzymes, comme le lysozyme, qui détruit les bactéries. L'appareil respiratoire a
recours aux cils, au mucus et à la toux pour expulser toute substance étrangère. Si les
organismes pathogènes traversent ces défenses, le corps réagit par de la fièvre, une
inflammation et d'autres réactions conçues pour combattre l'envahisseur indésirable.
L'inflammation provoque une augmentation de la circulation sanguine locale, ce qui permet à
un nombre important de globules blancs d'arriver sur les lieux pour combattre l'infection.
Certains de ces globules blancs sont des phagocytes et des macrophages qui mangent
littéralement les microorganismes envahisseurs. Dans la plupart des cas d'infection mineure,
ces cellules arrivent à résoudre seules le problème. Le système immunitaire inné protège
contre de nombreuses bactéries ou des virus extracellulaires libres qui sont présents dans le
plasma sanguin, la lymphe, du fluide tissulaire, ou dans l'espace interstitiel entre les cellules
(et, par conséquent, ne sont pas cachés à l'intérieur des cellules du corps). Toutefois,
l'immunité innée n’est normalement pas suffisante pour vaincre les microbes qui creusent
dans les cellules, telles que les virus, les bactéries intracellulaires, et les protozoaires.

6. Immunité adaptative
Lorsque virus et bactéries ont réussi à franchir la première barrière de défense de
l’organisme (la réaction inflammatoire), une deuxième ligne se met en action : c’est
l’immunité adaptative. Ce deuxième bouclier protecteur est spécifique aux vertébrés. Il met en
œuvre un mécanisme complexe faisant appel à des globules blancs particuliers : les
lymphocytes.
L'immunité adaptative est activée à la suite de la reconnaissance d'agents infectieux par le
système immunitaire inné. Le système immunitaire adaptatif permet d'amplifier la réponse
immunitaire et confère à la fois une réponse spécifique à l'antigène, et donc particulièrement
adaptée à l'agent infectieux, et une réponse mémoire permettant une élimination plus efficace
du même agent infectieux si l'organisme y est de nouveau confronté. Les cellules de
l'immunité adaptative constituent ainsi un complément essentiel de la réponse immunitaire
innée, comme l'atteste la gravité des pathologies dans lesquelles ces cellules sont en nombre
insuffisant (ce qui est par exemple le cas chez les individus malades du sida).
7. Soigner le cancer avec l’immunothérapie

Les maladies infectieuses sont causées par des micro-organismes invisibles à l’œil nu qui
entrent dans le corps et s’y multiplient. L’histoire de l’immunologie, qui commence au 18ème
siècle avec la découverte des vaccins par Edward Jenner, est aussi l’histoire du combat contre
les maladies infectieuses. Grâce à l’utilisation mondiale du vaccin découvert par Jenner, la
variole a aujourd’hui disparu. Grâce aux nombreux excellents vaccins développés depuis,
nous sommes protégés contre de nombreuses maladies infectieuses. Néanmoins, dans le
monde, il existe encore de nombreuses maladies infectieuses difficiles à contrôler.
Le corps utilise le système immunitaire pour détecter ce qui lui est étranger et s’en
débarrasser. Si un cancer se développe, le système immunitaire peut l’éliminer tant qu’il reste
petit. Il y parvient par la surveillance immunitaire.
Les cellules cancéreuses sont des cellules de notre corps, mais elles se comportent
différemment de nos autres cellules. Elles produisent souvent des protéines endommagées ou
des protéines qui ne sont pas fabriquées par les autres cellules.
Ce sont ces protéines, souvent appelées antigènes associées aux tumeurs ou antigènes
tumoraux, que le système immunitaire cible.
Dès que le système immunitaire détecte des antigènes tumoraux, les cellules immunitaires
lancent une attaque.
Le processus est le même que lors d’une réponse immunitaire normale. Les cellules
dendritiques avalent les antigènes tumoraux et transmettent aux lymphocytes T les
renseignements les concernant. Les lymphocytes T « tueurs » détruisent les cellules
cancéreuses pendant que les lymphocytes T auxiliaires aident les lymphocytes
B spécifiques des antigènes tumoraux à passer à l’action. Les anticorps se fixent aux cellules
cancéreuses qu’ils rencontrent, permettant à des molécules du sang appelées complément
d’attaquer et de tuer les cellules cancéreuses.

En plus, d’autres cellules immunitaires appelées « tueurs nés » ou cellules NK («Natural
Killer ») se servent des protéines anormales que les cellules cancéreuses fabriquent pour les
identifier et les tuer.
Ainsi, le corps se débarrasse lui-même des cellules cancéreuses. Mais il n’est pas certain que
le corps soit capable d’éliminer toutes les cellules cancéreuses à lui seul. Par exemple, les
cellules cancéreuses qui ne produisent pas d’antigènes ou celles qui se forment à partir des
cellules productrices de cytokines qui contrôlent le système immunitaire peuvent échapper à
la surveillance du système immunitaire, se multiplier et finalement former un cancer
Les cellules cancéreuses qui réussissent à échapper à la surveillance du système immunitaire

et à se multiplier, possèdent un certain type d’antigènes. Développer une réponse immunitaire
contre ces antigènes pourrait apporter des moyens de traiter le cancer. C’est exactement le but
d’essais cliniques variés en cours de réalisation qui consistent à :
Vacciner contre le cancer : Des traitements associant des antigènes tumoraux et des
stimulants du système immunitaire sont proposés comme vaccin contre le cancer.
Traiter avec des cellules dendritiques : Cette méthode propose de récupérer des cellules
dendritiques du malade, d’y incorporer des antigènes et de les réinjecter pour combattre le
cancer.
Traiter avec des lymphocytes T : Des lymphocytes T tueurs et des cellules dendritiques sont
prélevés et stimulés avec des antigènes tumoraux.
Les lymphocytes T tueurs activés sont réinjectés dans le corps pour attaquer le cancer.
L’immunothérapie, toute seule, ne peut pas détruire les cancers de grande taille. Ces cancers
doivent d’abord être enlevés chirurgicalement, puis l’immunothérapie peut être utilisée pour
détruire les éventuelles métastases. Ce traitement pourrait prévenir la rechute du cancer.
Traiter avec des anticorps : Le traitement par les anticorps utilise des anticorps qui ciblent
les antigènes tumoraux.
La plupart des immunothérapies sont encore expérimentales. Cependant, l’utilisation des
anticorps a déjà été mise en pratique dans certains types de cancers.
Autrefois, on ne pouvait rien faire pour les malades dont le cancer avait diffusé dans tout le
corps, l’immunothérapie pourrait les aider éventuellement.
8. Conclusion
Quand il y a une invasion de pathogènes exogènes dans un organe, le système immunitaire
réagit en produisant des anticorps pour combattre l'agent pathogène. Si la concentration de ce
dernier est élevée, la réponse immunitaire sera insuffisante, le système immunitaire devient
alors faible. Ainsi, l'organe affecté ne parvient pas à se rétablir naturellement, d’où un besoin
de médicaments qui vont permettre de guérir l'organe malade et d’améliorer le système
immunitaire.

Chapitre 3 :
Commande optimale

1. Introduction
Les systèmes biologiques sont très complexes avec souvent des contre-réactions naturelles,
les actions des substances chimiques sont multiples, les outils et techniques de la théorie de
contrôle devraient permettre une meilleure compréhension et une optimisation des actions.
L’objectif est d’utiliser des techniques d’analyse et de contrôle des systèmes pour trouver un
contrôle thérapeutique minimisant un coût tenant compte des objectifs et des contraintes
imposées médicalement. Le problème revient alors à un problème de contrôle optimal où les
commandes sont directement liées aux doses de médicaments administrés.
2. Généralités
Les problèmes de commande optimale sont actuellement très utilisés dans la vie
quotidienne : comment arrivera-t-on à destination le plus rapidement possible ? Comment
minimiser sa consommation ?... Pour un système dynamique donné et dont les équations sont
connues, le problème de commande optimale consiste alors à trouver la commande
minimisant un critère donné. C’est sous cette forme que la commande optimale a été étudiée
dès le XIXème siècle avec le calcul des variations. Une des grandes applications de la
commande optimale a été l’application au lanceur Apollo dans les années 1960. Néanmoins,
les difficultés soulevées par ce genre de problème sont loin d’être complètement résolues
comme en témoignent les sessions dédiées à la commande optimale dans les conférences
d’automatique. La commande optimale reste donc un sujet de recherche d’actualité.
2.1 Contrôlabilité
Un système de contrôle est dit contrôlable si on peut l’amener (en temps fini) d’un état
initial arbitraire vers un état final prescrit. Pour les systèmes de contrôle linéaires en
dimension finie, il existe une caractérisation très simple de la contrôlabilité, due à Kalman.
Pour les systèmes non linéaires, le problème mathématique de contrôlabilité est beaucoup plus
difficile.
Figure 1:problème de contrôlabilité [11].

2.2 Origine du contrôle optimal
Une fois le problème de contrôlabilité résolu, on peut de plus vouloir passer de l’état initial à
l’état final en minimisant un certain critère ; on parle alors d’un problème de contrôle optimal.
En mathématiques, la théorie du contrôle optimal s’inscrit dans la continuité du calcul des
variations. Elle est apparue après la seconde guerre mondiale, répondant à des besoins
pratiques de guidage, notamment dans le domaine de l’aéronautique et de la dynamique du
vol. Historiquement, la théorie du contrôle optimal est très liée à la mécanique classique, en
particulier aux principes variationnels de la mécanique (principe de Fermat, de Huygens,
équations d’Euler-Lagrange). Le point clé de cette théorie est le principe du maximum de
Pontryagin, formulé par L. S. Pontryagin en 1956, qui donne une condition nécessaire
d’optimalité et permet ainsi de calculer les trajectoires optimales. Les points forts de la théorie
ont été la découverte de la méthode de programmation dynamique, l’introduction de l’analyse
fonctionnelle dans la théorie des systèmes optimaux, la découverte des liens entre les
solutions d’un problème de contrôle optimal et des résultats de la théorie de stabilité de
Lyapunov. Plus tard sont apparues les fondations de la théorie du contrôle stochastique et du
filtrage de systèmes dynamiques, la théorie des jeux, le contrôle d’équations aux dérivées
partielles. L’allure des trajectoires optimales dépend fortement du critère d’optimisation.
2.3 Contrôle optimal moderne et applications

On considère que la théorie moderne du contrôle optimal a commencé dans les années 50,
avec la formulation du principe du maximum de Pontryagin, qui généralise les équations
d’Euler-Lagrange du calcul des variations. Dès lors, la théorie a connu un essor spectaculaire,
ainsi que de nombreuses applications. De nos jours, les systèmes automatisés font
complètement partie de notre quotidien, ayant pour but d’améliorer notre qualité de vie et de
faciliter certaines tâches : système de freinage ABS, assistance à la conduite, servomoteurs,
thermostats, régulation hygrométrique, circuits frigorifiques, contrôle des flux routiers,
ferroviaires, aériens, boursiers, fluviaux, barrages EDF, photographie numérique, filtrage et
reconstruction d’images, lecteurs CD et DVD, réseaux informatiques, moteurs de recherche
sur internet, circuits électriques, électroniques, télécommunications en général, contrôle des
procédés chimiques, raffinage pétrolier, chaînes industrielles de montage, peacemakers et
autres systèmes médicaux automatisés, opérations au laser, robotique, satellites, guidages
aérospatiaux, bioréacteurs, distillation, ... La liste est infinie, les applications concernent tout
système sur lequel on peut avoir une action, avec une notion de rendement optimal.
3. Commande optimale
3.1. Position du problème
Soit un système à temps continu de représentation d’état :
𝑥̇ = 𝑓(𝑥, 𝑢, 𝑡) (3.1)

De condition initiale :
x(t0) = x0, où t ∈ R, u ∈ 𝑅𝑚 et x ∈ 𝑅𝑛 .
x (t) est un n-vecteur des variables d'état (xi (t)). Ceux-ci décrivent l'état du système à tout
moment.
u(t) est un m-vecteur de variables de contrôle. Ce sont les variables de choix dans le problème
d'optimisation.
Les signaux u et x sont des fonctions de R vers respectivement Rm et Rn . Pour la condition

initiale x0 et la commande u, l’équation d’état (3.1) définit une trajectoire unique x pour l’état
sur [t0, tf].
Soit un critère :
𝑡𝑓
𝐽(𝑥0 , 𝑡0 , 𝑢) = 𝑉(𝑡𝑓 , 𝑥(𝑡𝑓 )) + ∫𝑡0 𝐿(𝑥(𝑡), 𝑢(𝑡), 𝑡)dt (3.2)
où L(x,u,t) est une fonction non linéaire c’est le lagrangien et V(tf,xf) représente la fonction
coût terminal. Avec xf = x(t f )
Le problème de la commande optimale consiste alors à trouver la commande ũ minimisant la

fonction J(x0, t0, u) :
𝑢̃ = 𝑚𝑖𝑛𝑢∈𝑈 J(x0, t0, u) (3.3)

La fonctionnelle J(x0, t0, u) est un critère d’optimisation, on l’appelle le coût. Par exemple ce
coût peut être égal au temps de parcours ; dans ce cas c’est le problème du temps minimal.
𝑇
𝐽 = ∫𝑡 𝑑𝑡
0
Figure 2:le problème du temps minimal, x*(t) représente une trajectoire optimale
Pour la formulation des contraintes, il faut noter leur diversité lors de la commande d’un
processus : soit sur le temps de simulation, sur la valeur de la commande, sur l’état du
système,…

On peut citer :
- temps final fixe : T est donné ;

- temps final libre ;
- état initial fixe ;
- contrainte sur l’état X(T), ψ(X(T)) = 0;
- contrainte sur la commande U. Par exemple : −1≤ u(t) ≤ 1. [15], [16]
3.2. Hamiltonien et Principe du minimum de Pontriaguin

Le principe de minimum de Pontryagin s'applique à un type particulier de problème appelé un
problème de Bolzano. La plupart des problèmes d'optimisation peuvent être mis dans la forme
d'un problème de Bolzano.
Soit le système d’équation d’état (3.1) :
𝑥̇ = 𝑓(𝑥, 𝑢, 𝑡)
Et le critère de performance (3.2):

𝑡𝑓
𝐽(𝑥0 , 𝑡0 , 𝑢) = 𝑉(𝑡𝑓 , 𝑥(𝑡𝑓 )) + ∫𝑡0 𝐿(𝑥(𝑡), 𝑢(𝑡), 𝑡) 𝑑𝑡
On définit l’Hamiltonien H du système :
H(x, u, λ, t) = L(x, u, t) + 𝜆𝑇 f(x, u, t)=L+∑ 𝜆𝑖 . 𝑥𝑖̇ (3.4)

Où λ est appelé état-adjoint. Le principe du minimum de Pontriaguine énonce que la
trajectoire optimale minimise l’hamiltonien du système. Autrement dit :
H(𝑥 ∗ , 𝑢∗ , 𝜆∗ ) ≤ H(𝑥 ∗ , u , 𝜆∗ ) ∀u ∈ U (3.5)

Le long de la trajectoire optimale, on dispose d’un certain nombre d’équations permettant de
résoudre le problème de commande optimale. Ces équations sont généralement établies en
utilisant le calcul des variations. L’extrémité de la solution conduit à un jeu d’équations,
appelées équations canoniques de Hamilton, qui régissent les dynamiques de l’état d’une part
et de l’état adjoint d’autre part :
𝜕𝐻
 Equation d’état : 𝐻𝜆(𝑡, 𝑥 ∗ , 𝑢∗ , 𝜆∗ ) = 𝑥̇ = 𝜕𝜆
= 𝑓(𝑥, 𝑢, 𝑡) (3.6)
𝜕𝐻
 Equation adjoint : 𝐻𝑥(𝑡, 𝑥 ∗ , 𝑢∗ , 𝜆∗ ) =𝜆̇ = − ( ) (3.7)
𝜕𝑥

Si aucune contrainte n’est imposée sur u(t) à l’instant t, on a :
 Equation de commande :
𝜕𝐻
𝐻𝑢(𝑡, 𝑥 ∗ , 𝑢∗ , 𝜆∗ ) = = 0 ==> u = 𝛹(𝑥, 𝜆) (3.8)
𝜕𝑢
Les équations provenant des conditions dites terminales, en t 0 d’une part et en t f d’autre
part sont appelées équations de transversalité : [12], [14]
 à l’ origine :
𝜕𝑉 𝜕𝑉 𝑇
(−𝐻(𝑡0 ) + 𝜕𝑡0
) 𝛿𝑡0 +(𝜆(𝑡0 ) + 𝜕𝑥0
) 𝛿𝑥0 =0
 à l’arrivée : (3.9)
𝑇
𝜕𝑉 𝜕𝑉
(𝐻(𝑡𝑓 ) + 𝜕𝑡 ) 𝛿𝑡𝑓 +(−𝜆(𝑡𝑓 ) + 𝜕𝑥 ) 𝛿𝑥𝑓 =0
𝑓 𝑓
3.3. Exemple [18]

Soit le problème de commande optimale (double intégrateur)
1 2
𝑚𝑖𝑛𝑢𝜖𝑈 𝐽(𝑥, 𝑢, 𝑡) = ∫ 𝑢(𝑡)2 𝑑𝑡
2 0
Sous la contrainte : 𝑥̇ 1 (𝑡) = 𝑥2 (𝑡)
𝑥̇ 2 (𝑡) = 𝑢(𝑡)
𝑥(0) = [1 2]′
𝑥(2) = [1 0]′
Problème de commande optimale à instant final et état final fixes.
 Hamiltonien
1
𝐻(𝑥1 , 𝑥2 , 𝑢, 𝜆1 , 𝜆1 , 𝑡) = 𝑢(𝑡)2 + 𝜆1 ∗ 𝑥̇ 1 (𝑡) + 𝜆2 ∗ 𝑥̇ 2 (𝑡)
2
1
= 𝑢(𝑡)2 + 𝜆1 ∗ 𝑥2 (𝑡) + 𝜆2 ∗ 𝑢(𝑡)
2

𝜕𝐻 ∗ ∗ ∗
(𝑥 , 𝑢 , 𝜆 ) = 𝑢∗ (𝑡) + 𝜆2 ∗ (𝑡) = 0
𝜕𝑢
𝑢∗ (𝑡) = −𝜆2 ∗ (𝑡)
 Equations d’état :
𝜕𝐻
𝑥̇ 1 = = 𝑥2 ∗ (𝑡)
𝜕𝜆1
𝜕𝐻
𝑥̇ 2 = = −𝜆2 ∗ (𝑡)
𝜕𝜆2
 Equations d’état adjoint :
𝜕𝐻
𝜆1̇ = − =0
𝜕𝑥1
𝜕𝐻
𝜆2̇ = − = −𝜆1 ∗ (𝑡)
𝜕𝑥2
 Solutions des équations d’état et d’adjoint :
𝐶3 3 𝐶4 2
𝑥1 ∗ (𝑡) = 𝑡 − 𝑡 + 𝐶2 𝑡 + 𝐶1
6 2
𝐶3 2
𝑥2 ∗ (𝑡) = 𝑡 − 𝐶4 𝑡 + 𝐶2
2
𝜆1 ∗ (𝑡) = 𝐶3
𝜆2 ∗ (𝑡) = −𝐶3 𝑡 + 𝐶4
 Expression explicite de la commande optimale :

𝑢∗ (𝑡) = 𝐶3 𝑡 − 𝐶4
 Détermination des constantes d’intégration :
C1 = 1 ; C2 = 2 ; C3 = 3 ; C4 = 4
 solution optimale :
 𝑥1 ∗ (𝑡) = 0.5 𝑡 3 − 2𝑡 2 + 2𝑡 + 1
 𝑥2 ∗ (𝑡) = 1.5 𝑡 2 − 4𝑡 + 2

 𝜆1 ∗ (𝑡) = 3
 𝜆2 ∗ (𝑡) = −3𝑡 + 4
 𝑢∗ (𝑡) = 3𝑡 − 4
 𝐻(𝑥 ∗ , 𝑢∗ , 𝜆∗ ) = −2
1 2
 𝐽( 𝑥 ∗ , 𝑢∗ , 𝜆∗ ) = ∫0 𝑢(𝑡)2 = 4
2
Figure 3:les allures d'états et de commande

La figure 3 représente les équations d’états et de commande.
3.4. Le calcul des variations

Il s’agit d’un problème d’optimisation sous contrainte égalité
𝑓(𝑥, 𝑢, 𝑡) − 𝑥̇ = 0. (3.10)
En s’appuyant sur le calcul des variations, on est amené à introduire un multiplicateur de
Lagrange λ, à partir de l’équation (3.4),
H(x, u, λ, t) = L(x, u, t) + 𝜆𝑇 f(x, u, t)

Le critère s’écrit alors [12] :
̃𝐽(𝑥0 , 𝑡0 , 𝑢) = 𝑉(𝑡𝑓 , 𝑥(𝑡𝑓 )) + ∫𝑡𝑓(𝐿(𝑥, 𝑢, 𝑡) + 𝜆𝑇 (𝑓 − 𝑥̇ )𝑑𝑡 (3.11)

𝑡0
𝑡𝑓
= 𝑉(𝑡𝑓 , 𝑥(𝑡𝑓 )) + ∫𝑡0 (𝐿(𝑥, 𝑢, 𝑡) + 𝜆𝑇 𝑓 − 𝜆𝑇 𝑥̇ )𝑑𝑡
𝑡𝑓
= 𝑉(𝑡𝑓 , 𝑥(𝑡𝑓 )) + ∫𝑡0 (𝐻(𝑥, 𝑢, 𝜆, 𝑡) − 𝜆𝑇 𝑥̇ )𝑑𝑡

𝑡𝑓
= 𝑉(𝑡𝑓 , 𝑥(𝑡𝑓 )) + ∫𝑡0 𝐻(𝑥, 𝑢, 𝜆, 𝑡) + 𝜆̇𝑇 𝑥)𝑑𝑡 − 𝜆(𝑡𝑓) ∗ 𝑥𝑓 + 𝜆(𝑡0) ∗ 𝑥0
̃𝐽(𝑥0 , 𝑡0 , 𝑢) = 𝑉̃ (𝑡0, 𝑥0, 𝑡𝑓 , 𝑥(𝑡𝑓 )) + ∫𝑡𝑓 𝐻(𝑥, 𝑢, 𝜆, 𝑡) + 𝜆̇𝑇 𝑥)𝑑𝑡

𝑡0
Où 𝑉̃ (𝑡0, 𝑥0, 𝑡𝑓 , 𝑥(𝑡𝑓 )) = 𝑉(𝑡𝑓 , 𝑥(𝑡𝑓 )) − 𝜆(𝑡𝑓) ∗ 𝑥𝑓 + 𝜆(𝑡0) ∗ 𝑥0
3.5. Equation d’Euler-Lagrange

L’équation d’Euler-Lagrange, bien connue en mécanique, peut être determiné à partir du
principe du minimum. En notant T, l’énergie cinétique et U l’énergie potentielle d’un système
mécanique, le principe de moindre action énoncé par Maupertuis postule que le système
évolue en minimisant l’intégrale [12]:
𝑡𝑓
∫𝑡0 (𝑇 − 𝑈)𝑑𝑡 (3.12)
Notons q les cordonnées généralisées du système. Soit L(q, q˙) = T(q, q˙) − U(q) le
lagrangien, avec le critère :
𝑡
𝐽(𝑞0 , 𝑡0 , 𝑞̇ ) = ∫𝑡 𝑓 𝐿 (𝑞, 𝑞˙)𝑑𝑡 (3.13)
0
On considère un système dont on commande la vitesse, l’équation d’état du

système s’écrivant alors simplement :
𝑞̇ = 𝑢 (3.14)
L’hamiltonien s’écrit alors :
𝐻(𝑞, 𝑞̇ ) = 𝐿(𝑞, 𝑞̇ ) + 𝜆𝑇 𝑞̇ (3.15)

Et le principe du minimum donne les deux équations suivantes :
𝜕𝐻 𝜕𝐿
𝜆̇ = − ( ) = − ( ) (3.16)
𝜕𝑞 𝜕𝑞
𝜕𝐻 𝜕𝐻 𝜕𝐿
( 𝜕𝑢 ) = ( 𝜕𝑞̇ ) = (𝜕𝑞̇ ) + 𝜆 = 0 (3.17)
En dérivant l’équation (3.17) par rapport au temps puis en remplaçant 𝜆̇ par l’équation
(3.16), on obtient l’équation d’Euler-Lagrange
𝑑 𝜕𝐿 𝜕𝐿
− =0 (3.18)
𝑑𝑡 𝜕𝑞̇ 𝜕𝑞

4. Commande Linéaire Quadratique a horizon fini
La Commande linéaire quadratique, dite Commande LQ ou LQR pour linear quadratic
regulator, est une méthode qui permet de calculer la matrice de gains d'une commande par
retour d'état. L'initiateur de cette approche est Kalman. Nous traiterons ici la commande
linéaire quadratique à horizon fini. Le système est linéaire et la commande est quadratique
[16], [12].
Soit le système linéaire décrit par les équations suivantes :
𝑥̇ (𝑡) = 𝐴(𝑡)𝑥(𝑡) + 𝐵(𝑡)𝑢(𝑡) (3.19)

avec u ∈ Rm et x ∈ Rn , l’instant initial X(t0 ) est donné.
Et soit le critère quadratique suivant :

1 𝑡 1
𝐽(𝑥0 , 𝑡0 , 𝑢) = 𝑥𝑓 𝑆(𝑡𝑓 ) 𝑥𝑓 + ∫𝑡0𝑓 (𝑥 𝑇 𝑄(𝑡)𝑥 + 𝑢𝑇 𝑅(𝑡) 𝑢) (3.20)
2 2
Où S et Q sont des matrices semi-définies positives et R matrice définie positive.
Résoudre le problème LQ, revient à déterminer 𝑢∗ (𝑡) qui minimise 𝐽(𝑥0 , 𝑡0 , 𝑢) sur [𝑡0 𝑡𝑓 ].
L’hamiltonien de ce problème est donné par :

1
𝐻 = (𝑥 𝑇 𝑄(𝑡) 𝑥 + 𝑢𝑇 𝑅(𝑡) 𝑢) + 𝜆𝑇 (𝐴𝑥 + 𝐵𝑢) (3.21)
2
L’hamiltonien, vérifie les conditions suivantes:
 Equation de l’état adjoint :
𝜕𝐻
𝜆̇ = − ( ) = −𝑄 𝑥 − 𝐴𝑇 𝜆 (3.22)
𝜕𝑥
 Equation d’états du système :
𝜕𝐻
𝑥̇ = ( ) = 𝐴 𝑥 + 𝐵 𝑢 (3.23)
𝜕𝜆
 Equation de la commande : en absence de contrainte sur la commande
𝜕𝐻
= 𝑅 𝑢 + 𝐵𝑇 𝜆 = 0 (3.24)
𝜕𝑢
On déduit l’expression de u(t) :
𝑢(𝑡) = −𝑅−1 𝐵𝑇 𝜆 (3.25)

Alors l’équation dynamique du système s’écrit :
𝑥̇ (𝑡) = 𝐴(𝑡)𝑥(𝑡) − 𝐵(𝑡)𝑅−1 𝐵𝑇 𝜆 (3.26)
 Condition de transversalité :
𝜕𝑉
𝜆(𝑡𝑓 ) = = 𝑆 𝑥𝑓 (3.27)
𝜕𝑥𝑓
1
Avec 𝑉= 𝑥𝑓 𝑆(𝑡𝑓 ) 𝑥𝑓
2
Les équations d’état et les équations adjointes donnent alors le système suivant appelé
système hamiltonien :
𝑥̇ 𝐴 −𝐵𝑅−1 𝐵𝑇 𝑥
[ ̇] = [ ][ ] (3.28)
𝜆 −𝑄 −𝐴𝑇 𝜆
Nous essayons de trouver une solution en définissant λ (t) = P (t) x. (3.29)
A partir de l’équation (3.28) et (3.29), nous obtenons :
Avec 𝜆̇ = 𝑃̇𝑥 + 𝑃𝑥̇

(𝑃̇ + 𝑃𝐴 + 𝐴𝑇 𝑃 − 𝑃𝐵𝑅−1 𝐵𝑇 𝑃 + 𝑄)𝑥 = 0 (3.30)
Il est intéressant de noter que la commande optimale obtenue s’écrit comme un retour d’état
u = −K(t) x avec : K(t) = −R−1 B T P (3.31)
5. Conclusion
L’intérêt de la commande optimale découle de la nature même de sa définition : optimiser un
critère de notre choix, tout en satisfaisant des conditions de fonctionnement données et des
contraintes imposées. Les principaux critères utilisés sont le temps minimum, les critères
quadratiques et les critères de type consommation.
Les utilisations principales du critère temps minimum sont les problèmes de sécurité et la
minimisation des coûts liés à la durée, les applications principales se rencontrent dans les
domaines de la production continue, de l’espace, de la défense et de la médecine.
La mise en œuvre de critères quadratiques intervient dans les problèmes de minimisation de
l’énergie mise en œuvre, de stabilisation et de suivi de trajectoire ; elle concerne
essentiellement les problèmes de régulation et d’asservissement en général, ainsi que les
processus mettant en œuvre des énergies importantes. L’intérêt apparaît à la fois au niveau de
la qualité, de la sécurité et des coûts de mise en œuvre.

Chapitre 4 :
Commande de la réponse
immunitaire innée

1. Introduction
Dans ce Chapitre, après avoir présenté la dynamique de système modélisée par un système
d'équations différentielles qui tient compte de la réponse immunitaire et de l'action des
médicaments. Différentes commandes seront appliquées à notre système biologique, le
système immunitaire inné, a savoir la commande linéarisante, la commande linéaire
quadratique à horizon fini et enfin le contrôle optimal avec retard.
2. Le modèle dynamique de la maladie

Le modèle utilisé pour concevoir un système automatique et efficace pour l'administration
des médicaments. Ce modèle décrit les effets de divers médicaments sur le système
dynamique. Les médicaments tuant l'agent pathogène envahisseur, activant des cellules
plasmatiques, des anticorps et guérissant l'organe affecté. Du point de vue théorie du
système, les entrées de médicaments peuvent être interprétées comme des entrées de
commandes, qui peuvent être conçus en fonction des concepts théoriques de contrôle. Les
interactions entre un agent pathogène envahisseur et le système immunitaire inné se
caractérisent par quatre équations non-linéaires, les équations différentielles ordinaires
décrivent les taux de changement d'agents pathogènes, des cellules plasmatiques, les
concentrations d'anticorps et un indicateur de la santé organique.
Figure 4: Réponse immunitaire innée améliorée à une attaque des agents pathogènes
Considérons un modèle simple pour une attaque pathogène sur l'organisme de la réponse
immunologique de l'organisme, [17], [18], [20], [21], [22].
𝑥̇ 1 = (𝑎11 − 𝑎12 𝑥3 )𝑥1 + 𝑏1 𝑢1 (4.1)

𝑥̇ 2 = 𝑎21 (𝑥4 ) 𝑎22 𝑥1 (𝑡 − 𝜏)𝑥3 (𝑡 − 𝜏) − 𝑎23 (𝑥2 − 𝑥2 ∗ ) + 𝑏2 𝑢2
𝑥̇ 3 = 𝑎31 𝑥2 − (𝑎32 + 𝑎33 𝑥1 )𝑥3 + 𝑏3 𝑢3
𝑥̇ 4 = 𝑎41 𝑥1 − 𝑎42 𝑥4 + 𝑏4 𝑢4

Les états du système sont:
𝑥1 = concentration d'un agent pathogène.
𝑥2 = concentration de cellules de plasma qui sont porteurs et producteurs d'anticorps.
𝑥3 = concentration d'anticorps qui tuent l'agent pathogène.
𝑥4 = caractéristique relative d'un organe endommagé [0 = bonne santé, 1 = mort]
Les commandes sont : (commande = médicament)

𝑢1 = tueur des agents pathogènes
𝑢2 = activateur des cellules plasmatiques
𝑢3 = activateur des anticorps
𝑢4 = guérisseur d'organe
Les 𝑎𝑖𝑗 et 𝑏𝑖 sont des constantes.
𝑥2 ∗ : La concentration à l'état stable de cellules immunitaires

𝑎21 (𝑥4 ): est une fonction non linéaire qui décrit la déficience immunitaire. Posons ;
cos(𝜋 ∗ 𝑥4 ) 0 ≤ 𝑥4 ≤ 1/2
𝐴(𝑥4 ) = 𝑎21 (𝑥4 ) = { } (4.2)
0 𝑥4 ≥ 1/2
Le modèle de la maladie dynamique peut être exprimé sous la forme de l’équation (3.1) :
𝑥̇ (𝑡) = 𝑓[𝑥(𝑡), 𝑢(𝑡)]

L'équation dynamique est résolu sur l'intervalle de temps (t0, tf) soumis à la condition initiale,
x (t0) = xo.
Du fait que les concentrations ne peuvent pas être inférieures à zéro, l'état et le contrôle sont
soumis à l'inégalité des contraintes, x(t) > 0; u(t) > 0.
x4 < 1; puisque si l’organe est mort on a x4 = 1.
Le modèle dynamique nous permet de déterminer l’évolution de la santé d'organes, agent

pathogène, le plasma et les concentrations d'anticorps au fil du temps, compte tenu de l'état
initial du système et un protocole thérapeutique spécifié. On un couplage linéaire et non-
linéaire des éléments d'état, et une commande linéaire affine.
L'équation la plus complexe décrit l'évolution des cellules plasmatiques comme une fonction
non linéaire de la santé des organes et des concentrations des anticorps et d'antigène, avec un
retard temporel pur τ , et une concentration en régime permanent des cellules plasmatiques
(𝑥2 ∗ ). L'agent pathogène a une tendance naturelle à croître de façon exponentielle (donc,
a11> 0). A l'inverse, l'évolution des anticorps est régie non seulement par l'équilibre entre la
naissance et la mort naturelle des cellules exprimées par (a32> 0), mais par la présence du
pathogène, x1; et par l'effet générative des cellules plasmatiques, x2. L'organe est considéré
comme parfaitement sain quand x4 est nul et mort quand x4 = 1.

Dans le modèle, le paramètre a11 indique la croissance exponentielle des agents pathogènes.
Le terme (a12x3x1) désigne le nombre d'antigènes neutralisé par l'anticorps x3, où a12 est le
coefficient lié à la probabilité de neutralisation des microbes par les anticorps lors d'une
rencontre. Le terme (a41x1) représente le degré de dommages subis à l'organe par les agents
pathogènes, tandis que le terme (a42x4) représente la capacité de récupération de l'organe.
Pour plus d'informations sur les significations physiques des différents termes du modèle, voir
la table I.
Table I: les valeurs des paramètres du modèle dynamique et leurs descriptions
Paramètres Valeurs Description
a11 1 le coefficient du taux de reproduction des Pathogènes
a12 1 Le coefficient de la suppression par des agents pathogènes
a22 3 coefficient de réactivité immunitaire
a23 1 Le coefficient moyen de taux de production de cellules immunitaires
a31 1 Le coefficient de taux de production des Anticorps
a32 1.5 Le coefficient de mortalité d'anticorps
a33 0.5 Le taux d'anticorps qui suppriment les agents pathogènes
a41 0.5 Le coefficient de dommages subis à l'organe par les agents pathogènes
a42 1 le taux de récupération d'organes
𝑥2 ∗ 2 La concentration à l'état stable de cellules immunitaires
b1 -1
b2 1
b3 1
b4 -1
Nous considérons quatre cas :
 Cas 1 : le cas sub-clinique qui ne soit pas susceptible d'exiger un examen médical.
 Cas 2 : le cas clinique comme une condition plus sévère justifiant une consultation
médicale,
 Cas 3 : chronique,
 Cas 4 : mortel.

Les concentrations initiales de la cellule de plasma et les populations d'anticorps sont fixées,
et l'organe est d'abord en bonne santé. La différence principale dans les quatre cas est la
concentration initiale de l'agent pathogène x1(0). Avant l’attaque de l’agent pathogène, la
valeur de la concentration d'anticorps à l'état stable qui correspond à x*2=2 est :
a31
x3 (0) = x∗2
a32
Les concentrations dans tous les cas de x2, x3, x4 restent fixes alors que la concentration de x1
varie.
Les conditions initiales dans les quatre cas :
Cas 1 : x1(0)= 1.5 (4.3)

Cas 2 : x1(0)= 2
Cas 3 : x1(0)= 2.57
Cas 4 : x1(0)= 3
x1(0) = voir les équations (4.3).

x2(0) = 2 (4.4)
x3(0) = 4/3
x4(0) = 0
3. Réponse du modèle sans commande

Dans le premier cas on simule les équations différentielles (4.1) mais sans aucune
commande et le retard τ =0, sous matlab/simulink (figure 5) avec les équations
différentielles suivantes:
𝑥̇ 1 = (1 − 𝑥3 )𝑥1 (4.5)
𝑥̇ 2 = 3 ∗ A(𝑥4 ) 𝑥1 ∗ 𝑥3 − (𝑥2 − 2)
𝑥̇ 3 = 𝑥2 − (1.5 + 0.5 𝑥1 )𝑥3
𝑥̇ 4 = 0.5 ∗ 𝑥1 − 𝑥4
Figure 5: Implémentation du modèle sous Simulink

Où le bloc :
Correspond à la fonction non lineaire a21 x(4) = A(x4)
3.1 Cas (1) : cas sub-clinique

La concentration initiale de l’agent pathogène x1(0)=1.5 on trouve les résultats suivants :
 l’agent pathogène
x1:pathogene
1.5
la concentration
0.5
0
0 1 2 3 4 5 6 7 8 9 10
le temps
Figure 6: Concentration du pathogène x1 dans le cas(1)
On remarque que la concentration de l’agent pathogène (x1) décroît asymptotiquement vers

zéro à partir de la valeur maximale qui est égale à la valeur de la condition initiale à t=0
(x1(0)=1.5). Le système immunitaire inné est donc capable de tuer l’agent pathogène quel que
soit leur type (virus, bactérie,…).
 Les cellules immunitaires
x2:les cellules plasmatiques

4.5
4
la concentration
3.5
2.5
2
0 1 2 3 4 5 6 7 8 9 10
le temps
Figure 7: la concentration des cellules plasmatiques x2

La figure 7 montre comment les cellules plasmatiques se défend contre les agents
pathogènes : la courbe commence à croitre à partir de x2(0)=2 qui correspond à la
concentration à l’état stable des cellules plasmatiques, cette croissance a pour rôle de
produire des anticorps dédiés à tuer les agents pathogènes. Ensuite, la courbe va décroitre
vers un état stable après qu’il ait produit le maximum des anticorps suffisant pour tuer l’agent
pathogène.
 L’anticorps
x3:Anticorps
2.2
2
la concentration
1.8
1.6
1.4
0 1 2 3 4 5 6 7 8 9 10
le temps
Figure 8 : la concentration d’anticorps x3
L’allure de la figure 8 qui représente la concentration d’anticorps est comme la figure

précédente puisque les anticorps sont produits par les cellules plasmatiques. La courbe
commence à croitre à partir de la valeur initiale qui est égale à x 3(0) = (a31/a32) x*2 et cette
croissance est due principalement au coefficient de taux de production des anticorps a31, par
la suite la courbe décroit vers l’état initial après que les anticorps suffisants pour tuer les
pathogènes sont produits.
 L’organe
x4:Organe
1
0.8
la concentration
0.6
0.4
0.2
0
0 1 2 3 4 5 6 7 8 9 10
le temps
Figure 9: l’organe x4

Cette figure illustre le comportement d’un organe lorsqu’il est affecté par un pathogène, à
t=0 l’organe est en bonne santé égale x4=0, après on remarque qu’il y a une augmentation
légère due au coefficient de dommages subis à l'organe par les agents pathogènes, après
quelque unité de temps l’organe revient à son état stable avec le taux de récupération
d'organes a42.
D’après ces résultats on peut conclure que le modèle du système immunitaire inné (équation.
4.5) est efficace contre les agents pathogènes dans le cas subclinique pour une concentration
initiale x1(0) = 1.5
3.2 Cas (2) : cas clinique

La concentration initiale de l’agent pathogène x1(0) = 2, on observe les résultats suivants:
x1:pathogene x2:les cellules plasmatiques
5 4.5
4 4
3 3.5
la concentration
2 3
1 2.5
0 2
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
x3:Anticorps x4:Organe
3 1
0.8
2.5
0.6
2
0.4
1.5 0.2
0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
le temps le temps
Figure 10: Réponses immunitaires à des agents pathogènes dans le cas clinique
La figure 10 illustre la réponse immunitaire innée contre un agent pathogène dans le cas
clinique. La concentration de l'agent pathogène (x1) décroît asymptotiquement vers zéro,
grâce aux cellules immunitaires qui produisent des anticorps. On constate que l’organe passe
par une période transitoire mauvaise mais après quelques unités de temps il récupère et
devient sain. On peut dire que l’organe est en bonne santé.
3.3 Cas (3) : cas chronique x1(0) = 2.57

4 4.5
4
la concentration 3
3.5
2
3
1
2.5
0 2
0 2 4 6 8 10 0 2 4 6 8 10
2 1
0.8
1.5
0.6
1
0.4
0.5
0.2
0 0
0 2 4 6 8 10 0 2 4 6 8 10
le temps le temps
Figure 11:la réponse immunitaire innée dans le cas chronique
Dans ce cas le système immunitaire n’est pas efficace, il ne répond pas à nos besoins.
En effet, la courbe de pathogène x1 ne s’annule pas c’est-à-dire il y a présence d’un agent
pathogène. De même la courbe d’organe ne s’annule pas aussi, ce qui montre que l’organe
est dans un mauvais état.
3.4 Cas (4) : cas mortel
x1(0) = 3

5 4.5
4 4
3 3.5
2 3
la concentration
1 2.5
0 2
0 1 2 3 4 5 6 7 0 2 4 6 8 10
1.5 1
0.8
1
0.6
0.4
0.5
0.2
0 0
0 2 4 6 8 10 0 2 4 6 8 10
le temps le temps
Figure 12: Réponse immunitaire innée dans le cas mortel

Les résultats de simulation (Figure 12) montrent que le système immunitaire innée est
incapable de se défendre contre l’agent pathogène dans le cas ou la concentration initiale
x1(0) = 3. Effectivement, la concentration de pathogène subit une legère décroissance due au
fonctionnement des cellules immunitaires mais malheureusement après quleque instants ces
cellules ne parviennent pas à tuer l’agent pathogène. La concentration de pathogène
augumente d’une façon spectaculaire alors que la concentration des cellules immunitaire
revient à son état stable et ne pouvait plus produire des anticorps. L’organe est mort puisque
sa courbe à atteint la valeur 1.
pathogene mortel cellules immunitaires
5 4.5
sub clinique
4 4
clinique
3 chronique 3.5
concentration
2 3
1 2.5
0 2
0 2 4 6 8 10 0 2 4 6 8 10
Anticorps organe
2.5 1
2 0.8
1.5 0.6
1 0.4
0.5 0.2
0 0
0 2 4 6 8 10 0 2 4 6 8 10
temps temps
Figure 13 : Réponse immunitaire naturelle innée de tous les cas

La figure (13) regroupe les résultats de simulation pour les différents cas.
La réponse du système immunitaire naturelle sur une période de 10 unités de temps, sans
commande (u = 0) e. i en absence de médicaments; montre qu’il y a une montée rapide des
cellules plasmatiques et une dégradation de la santé des organes.
Les quatre cas sont classés selon la concentration de l'agent pathogène, qui soit tend vers 0
(cas 1 et 2), soit se rapproche d'une valeur stable (cas 3), ou diverge (cas 4).
Ces simulations en boucle ouverte montrent donc que la maladie évolue vers une récupération
complète du patient pour les cas sub-clinique et clinique, la concentration de l'agent
pathogène ne cesse de baisser tandis que la santé des organes améliore.
En outre, dans le cas chronique, la concentration de l'agent pathogène évolue vers une
constante mais différente de zéro en ce temps, caracterisant une santé dégradé du patient.
Alors que dans le cas mortel la concentration de l'agent pathogène diverge tuant l’organe
affecté.
Nous pouvons conclure, que pour les cas subclinique et clinique on n’a pas besoin de
traitement, le système immunitaire est suffisant pour une guérisson totale de patient. Tandis
que pour les cas chronique et mortel il y a besoin d’un traitement médical.

4. Linéarisation par retour d’état de la réponse immunitaire
innée
Une méthode relativement simple et populaire de conception de contrôle non linéaire est la
technique de linéarisation, où inversion dynamique, qui est essentiellement basée sur la
philosophie de la linéarisation par rétroaction. Dans cette approche, une transformation de
coordonnées appropriée est effectuée de telle sorte que la dynamique de système apparaît sous
une forme linéaire (dans les coordonnées transformées). Les outils de conception de la
commande linéaire sont ensuite utilisés pour synthétiser le contrôleur.
Nous allons utiliser cette technique pour concevoir un contrôleur (à savoir l'historique des
médicaments). Comme dans [19], cette approche est suffisamment générique pour traiter les
maladies infectieuses générales. Cela montre que la technique présentée est suffisamment
capable de traiter une classe plus large de problèmes.
4.1 Généralités sur la commande linéarisante

Considérons un système non linéaire affine en contrôle représenté par :
𝑥̇ = 𝑓(𝑥) + 𝐺(𝑥)𝑢 (4.6)
𝑌 = ℎ(𝑥) (4.7)
Où X ∈ ℜn, U ∈ ℜm, Y ∈ ℜp sont les vecteurs d'état, de commande et de sortie du

système dynamique, respectivement.
Supposons que m = p, c’est à-dire, le nombre de sorties de système sont les mêmes que le
nombre d'entrées de commande.
L'objectif est de concevoir une commande U de sorte que la sortie Y évolue vers un signal de
référence Y* en régime permanent.
En dérivons l’équation (4.7), on obtient
𝑌̇ = 𝑓𝑦 (𝑥) + 𝐺𝑦 (𝑥)𝑈 (4.8)

𝜕ℎ 𝜕ℎ
Avec 𝑓𝑦 (𝑥) = ( ) 𝑓(𝑥) et 𝐺𝑦 (𝑥) = ( ) 𝐺(𝑥)
𝜕𝑥 𝜕𝑥
Soit le signal d’erreur suivant : E = (Y - Y*)
Le contrôleur est synthétisé de telle sorte que la dynamique linéaire d’erreur suivante soit
satisfaite est stable.
𝐸̇ + 𝐾 𝐸 = 0 (4.9)
Où, K est une matrice de gain définie positive choisi comme une matrice diagonale avec des
éléments positifs dans la diagonale. Pour une meilleure interprétation physique, on peut

choisir K = diag (1/τ1 ... 1/τ m), où τi (i = 1 ... m) représente les constantes du temps de
l'erreur de la chaîne.
En utilisant la définition de E (4.9) et l'expression de Ẏ (4.8) on obtient :
𝑌̇ − 𝑌 ∗̇ + 𝐾(𝑌 − 𝑌 ∗ ) = 0 (4.10)
𝑓𝑦 (𝑥) + 𝐺𝑦 (𝑥)𝑈 − 𝑌 ∗̇ + 𝐾(𝑌 − 𝑌 ∗ ) = 0 (4.11)
On peut déduire donc la variable de commande :

−1
𝑈 = −[𝐺𝑦 (𝑥)] {𝑓𝑦 (𝑥) + 𝐾(𝑌 − 𝑌 ∗ ) − 𝑌 ∗̇ } (4.12)
4.2 Application au système immunitaire

Considérons Y = [x1 x4] T comme réponse de notre modèle, la dynamique de sortie peut être
présentée comme suit :
(𝑎 − 𝑎12 𝑥3 )𝑥1 𝑏1 0 𝑢1
𝑌̇ = [ 11 ]+[ ][ ] (4.13)
𝑎41 𝑥1 − 𝑎42 𝑥4 0 𝑏4 𝑢2
Nous avons m = p = 2, deus variables de commande et deux variables de sortie.
fy(x) et Gy(x) sont exprimés comme suit :
fy(x) = [(a11 − a12 x3 )x1 (a41 x1 − a12 x3 )] T et Gy(x) = diag (b1 b4).
Gy(x) est une matrice diagonale avec des constantes non nulles, son inverse est défini t.
T
L’objectif est de contraindre la réponse Y= [x1 x4] à évoluer vers 0, (Y*= 0), à savoir la
concentration de l'agent pathogène (x1) doit décroître vers zéro, et l’organe doit se rétablir
(x4= 0).
Avec la matrice K = diag (1/τ1 1/τ2), nous obtenons la variable de commande suivante:
u1 b 0 −1 (a11 − a12 x3 )x1 1/τ1 0 x1

[u ] = − [ 1 ] [ ]+[ ] [x ] (4.14)
2 0 b4 a41 x1 − a42 x4 0 1/τ2 4
Comme le traitement externe est nécessaire pour les cas chroniques et mortels alors que le
système immunitaire du corps est suffisamment capable de guérir la maladie pour les cas sub-
cliniques et cliniques. Nous avons opté pour le cas mortel pour montrer les performances de
la commande linéarisante.
Les conditions initiales choisis sont donc [x1(0) =3, x2(0) =2, x3(0) =4/3, x4(0) =0].

5 6
4
5
3
4
2
3
la concentration
0 2
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
3 0.5
2.5
2 0
1.5
1 -0.5
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
le temps le temps
Figure 14: Caractéristiques de l'état du patient sous traitement
D’après les résultats de la Figure.14 on peut déduire que l'objectif de la commande est
atteint. En effet, la concentration de l'agent pathogène (x1) décroît asymptotiquement vers
zéro. En outre, l'organe reste en bonne santé (la valeur représentant la santé des organes (x4)
est proche de zéro) pendant toute la durée du traitement. Les concentrations des cellules
plasmatiques (x2) et les anticorps (x3) sont clairement délimitées, ils convergent vers leurs
valeurs d'état stable.
U1
5
la concentration
0
0 1 2 3 4 5 6 7 8 9 10
le temps
U2
1.5
la concentration
0.5
0
0 1 2 3 4 5 6 7 8 9 10
le temps
Figure 15: la dose de médicament nécessaire pour le patient.
Les doses de médicaments nécessaires sont indiquées sur la figure. 15. On remarque qu’elles
diminuent et atteint zéro, Les médicaments ne sont nécessaire que pendant deux unités de
temps, après ils ne sont plus utiles. Le plus important, dans notre cas, c’est que l'organe reste
toujours en bonne santé, il y a un taux de production de cellules plasmatiques plus élevée et sa
concentration reste plus élevée. Ceci conduit à une grande concentration d'anticorps qui
luttent contre les pathogènes envahissants, d'où une guérison rapide.
4.3 Etude de la robustesse commande linéarisante

Pour vérifier la robustesse de la commande linéarisante, considérons les paramètres du
modèle avec des incertitudes. Les valeurs des paramètres du modèle sont donc perturbées de
± 20% de leurs valeurs nominales. En plus de l'incertitude des paramètres, les conditions
initiales sont aussi perturbées aléatoirement: x1 (0) ∈ [3, 3,6] et x4 (0) ∈ [0, 0.2].
La commande est conçue avec les valeurs des paramètres nominaux
L’étude de la robustesse est motivée par la possibilité que l’organe infecté peut être en plus
agressé par un agent pathogène grave.
Les figures 16 et 17 illustrent les résultats de simulation pour trois cas aléatoires.
On observe que l'approche proposée pour le régime automatique de distribution de

médicaments (avec les valeurs des paramètres nominaux dans la formule du contrôleur) a
réussi à guérir le patient. Il est donc clair que la technique de synthèse de contrôle par
linéarisation (plan de l'administration du médicament) est suffisamment robuste aux
incertitudes paramétriques, et par conséquent, il peut être utilisé comme un outil viable dans
la pratique pour le traitement des patients de modèles réalistes.
pathogene cellules plasmatique

6 6
x1=3.3 ,x4=0.1
x1=3 ,x4=0 5
4 x1=3.6 ,x4=0.2
4
2
3
concentration
0 2
0 2 4 6 8 10 0 2 4 6 8 10
Anticorps organe
3 1
2.5
2 0.5
1.5
1 0
0 2 4 6 8 10 0 2 4 6 8 10
temps temps
Figure 16:Trajectoires de l'état de patients ayant des valeurs de paramètres perturbées.

U1
6
la concentration
5
0
0 1 2 3 4 5 6 7 8 9 10
le temps
U2
2
la concentration
1.5
0.5
-0.5
0 1 2 3 4 5 6 7 8 9 10
le temps
Figure 17: Dosage des médicaments nécessaires pour les patients ayant des valeurs de
paramètres perturbées
5. Commande optimale de la réponse immunitaire innée

Le protocole thérapeutique optimal est obtenue en minimisant une fonction de coût de
traitement définie positive, J, qui pénalise les grandes valeurs de la concentration d'agents
pathogènes, de la santé des organes, et l'utilisation excessive d'agents thérapeutiques sur
l'intervalle de temps fixe (𝑡0 , 𝑡𝑓 ):
D’après le critère quadratique, équation (3.20) :

1 𝑡 1
𝐽(𝑥0 , 𝑡0 , 𝑢) = 𝑥𝑓 𝑃(𝑡𝑓 ) 𝑥𝑓 + ∫𝑡0𝑓 (𝑥 𝑇 𝑄(𝑡)𝑥 + 𝑢𝑇 𝑅(𝑡) 𝑢)𝑑𝑡
2 2
On a:
1 1 𝑡
𝐽 = (𝑝11 𝑥1𝑓 2 + 𝑝44 𝑥4𝑓 2 ) + ∫𝑡 𝑓(𝑞11 𝑥1 2 + 𝑞44 𝑥4 2 + 𝑟11 𝑢1 2 + 𝑟22 𝑢2 2 +
2 2 0
2 2)
𝑟33 𝑢3 + 𝑟44 𝑢4 𝑑𝑡 (4.15)
Où les matrices de pondération Q et R sont supposés diagonale comme suit:
𝑞11 0 0 0 𝑟11 0 0 0
0 𝑞22 0 0 0 𝑟22 0 0
𝑄= 𝑅=[ ]
0 0 𝑞33 0 0 0 𝑟33 0
[ 0 0 0 𝑞44 ] 0 0 0 𝑟44
La fonction de coût scalaire prend la forme générale de l’équation (3.2):

𝑡𝑓
𝐽(𝑥0 , 𝑡0 , 𝑢) = 𝑉(𝑡𝑓 , 𝑥(𝑡𝑓 )) + ∫𝑡0 𝐿(𝑥(𝑡), 𝑢(𝑡), 𝑡)dt
Qui comprend le coût terminal V(tf,xf), associée aux valeurs d'agents pathogènes et de la
santé des organes à la fin de la période de traitement, ainsi qu'un coût intégral des variations
d'état et de contrôle au cours de la période L(x,u,t) .
Le choix de la structure de la fonction de coût est essentiel à l'élaboration de stratégies

possibles pour la thérapie. L'élément le plus important est que les variables centrales comme
la concentration d'agents pathogènes et de la santé des organes soient observables dans le
coût, car ces variables ne peuvent pas être autorisés à atteindre des valeurs inacceptables. Il
est également important de mettre en place un cadre pour la dose thérapeutique contre les
déviations des variables système de niveaux souhaitables. Les variables de la fonction des
coûts sont élevées au carré pour amplifier les effets des variations importantes et pour mettre
l'accent sur les contributions des petites variations. Chaque élément carré est multiplié par un
coefficient (pii, qii, ou rii) qui établit l'importance relative du facteur dans le coût du
traitement. Ces coefficients reflètent le coût financier associé à chaque variation, ou ils
pourraient représenter le coût physiologique, tels que les effets secondaires, la toxicité, ou de
l'inconfort.
A partir de l’équation Hamiltonien (4.4), On définit l’ Hamiltonien du système comme suit :
H(x, u, λ, t) = L(x, u, t) + 𝜆𝑇 f(x, u, t)=L+∑ 𝜆𝑖 . 𝑥𝑖̇ (4.16)

1
= (𝑞11 𝑥1 2 + 𝑞44 𝑥4 2 + 𝑟11 𝑢1 2 + 𝑟22 𝑢2 2 + 𝑟33 𝑢3 2 + 𝑟44 𝑢4 2 )
2
+ 𝜆1 [(𝑎11 − 𝑎12 𝑥3 )𝑥1 + 𝑏1 𝑢1 ]
+𝜆2 [𝑎21 (𝑥4 ) 𝑎22 𝑥1 𝑥3 − 𝑎23 (𝑥2 − 𝑥2 ∗ ) + 𝑏2 𝑢2 ]
+𝜆3 [𝑎31 𝑥2 − (𝑎32 + 𝑎33 𝑥1 )𝑥3 + 𝑏3 𝑢3 ]
+𝜆4 [𝑎41 𝑥1 − 𝑎42 𝑥4 + 𝑏4 𝑢4 ]

Les conditions nécessaires à l'optimisation de la fonction de coût sont exprimées par les
quatre équations d'Euler Lagrange (4 .6) (4 .7) (4 .8) (4 .9):
𝜕𝐻
𝐻𝜆 (𝑡, 𝑥 ∗ , 𝑢∗ , 𝜆∗ ) = 𝑥̇ = = 𝑓(𝑥, 𝑢, 𝑡)
𝜕𝜆
𝜕𝐻
𝐻𝑥 (𝑡, 𝑥 ∗ , 𝑢∗ , 𝜆∗ ) =𝜆̇ = − ( )
𝜕𝑥
𝜕𝐻
𝐻𝑢 (𝑡, 𝑥 ∗ , 𝑢∗ , 𝜆∗ ) = =0
𝜕𝑢
𝜕𝑉
𝜆(𝑡𝑓 ) =
𝜕𝑥𝑓

 Equations d’état adjoint :
𝜆1̇ = −[𝑞11 𝑥1 + 𝜆1 (𝑎11 − 𝑎12 𝑥3 ) + 𝜆2 𝑎21 (𝑥4 )𝑎22 𝑥3 − 𝑎33 𝜆3 𝑥3 + 𝜆4 𝑎41 ]
𝜆2̇ = 𝜆2 𝑎23 − 𝜆3 𝑎31 (4.17)
𝜆3̇ = 𝜆1 𝑎12 𝑥1 − 𝜆2 𝑎21 (𝑥4 )𝑎22 𝑥1 + 𝜆3 (𝑎32 + 𝑎33 𝑥1 )

𝜕𝑎21
𝜆4̇ = − [𝑞44 𝑥4 + 𝜆2 𝑎 𝑥 𝑥 − 𝑎42 𝜆4 ]
𝜕𝑥4 22 1 3
 Equations de transversalité
𝜆1 (𝑡𝑓 ) = 𝑝11 𝑥1 (𝑡𝑓 ) (4.18)
𝜆2 (𝑡𝑓 ) = 0
𝜆3 (𝑡𝑓 ) = 0
𝜆4 (𝑡𝑓 ) = 𝑝44 𝑥4 (𝑡𝑓 )
𝑟11 𝑢1 + 𝜆1 𝑏1 = 0 (4.19)
𝑟22 𝑢2 + 𝜆2 𝑏2 = 0
𝑟33 𝑢3 + 𝜆3 𝑏3 = 0
𝑟44 𝑢4 + 𝜆4 𝑏4 = 0
Tous les pii et qii sont pris égales à un, et rjj égale à un pour la commande active et zéro pour
les commandes inactives. L'intervalle de traitement est de 10 unités de temps. L’optimisation
numérique est arrêtée lorsque l'amélioration est évidente.
Dans un premier temps, on suppose que seul le tueur de pathogènes (u1) est appliqué. Ensuite,
seul l'activateur plasmocytaire (u2) est appliqué, et ainsi de suite [21], [22].
Les résultats de simulation sont étalés sur les figures 18, 19 :

patogene les cellules plasmatiques
3 10
U1
U2 8
2
concentration U3
U4 6
1
4
0 2
0 2 4 6 8 10 0 2 4 6 8 10
anticorps organe
5 1
3 0.5
1 0
0 2 4 6 8 10 0 2 4 6 8 10
temps temps
Figure 18: Thérapie optimale avec tous les coefficients unitaires
4
U1
3.5
U2
U3
3
U4
2.5
1.5
0.5
0
0 1 2 3 4 5 6 7 8 9 10
temps
Figure 19:les commandes
Les résultats montrent que chacun des agents thérapeutiques utilisés séparément peuvent tuer
l'agent pathogène et maintenir la santé des organes avec la participation du système
immunitaire inné. Tous les protocoles thérapeutiques spécifient une dose initialement forte de
l'agent suivi par une décroissance exponentielle.
Pour le modèle dynamique de la maladie utilisée ici, la seule manière de diminuer la

concentration de l'agent pathogène est de l'attaquer au moyen des médicaments tueuses
d'agents pathogènes ou des anticorps. Cependant, les optimisations simples de contrôle
montrent qu'il existe deux façons qualitativement très différentes pour parvenir à ce résultat
(figure 19). La façon directe consiste à compter uniquement sur le tueur de pathogènes pour
faire le travail, ce qui permet aussi l'organe de guérir naturellement. D'autre part, les histoires
de u2; u3; et u4 montrent des moyens indirects pour lutter contre l'agent pathogène.

Supposant maintenant que toutes les variables de commandes sont appliquées :
7
x1-patogene
6 x2-les cellules plasmatiques
x3-anticorps
5 x4-organe
concentration
0
0 1 2 3 4 5 6 7 8 9 10
temps
Figure 20: Equations d'états du système
2
U1
U2
1.5 U3
concentration
U4
0.5
0
0 1 2 3 4 5 6 7 8 9 10
temps
Figure 21: Les commandes du système

Nous avons effectué des optimisations en utilisant tous les agents thérapeutiques à la fois.
L’effet de tueur de l'agent pathogène est dominant, et le résultat calculé est à peu près la
même que celle du tueur de l'agent pathogène seul. L’ensemble de ces thérapies réussissent à
arrêter la croissance explosive de l'agent pathogène et éviter la mort d'organes, bien que les
coûts de traitement et le temps pour obtenir des résultats varient. Les caractéristiques de
réponses réelles sont le résultat non seulement du modèle dynamique de la maladie, mais
aussi des poids de la fonction de coût. Ainsi, le coût et le temps d'éliminer l'agent pathogène
peut être ajusté par un choix approprié de poids.
6. Commande optimale avec retards

Dans de nombreux phénomènes physiques et biologiques, le taux de variation de l'état du
système dépend de l’état passé. Cette caractéristique est appelée un retard. Ces phénomènes
temporisés ont été découverts dans les systèmes biologiques et ont été retrouvés plus tard dans
de nombreux systèmes d'ingénierie, tels que les transmissions mécaniques, transmissions
fluides,... [11]
Les systèmes dynamiques avec retards dans les deux variables d'état et de contrôle jouent un
rôle important dans la modélisation des phénomènes de la vie réelle dans les processus
chimiques et biologiques, en économie et de la mécanique et de divers autres domaines. Dans

la biomédecine, le développement et le traitement d'une maladie peuvent être considérés
comme un paradigme pour les systèmes dynamiques retardés, car il faut généralement un
certain temps pour un médicament pour devenir efficace. En outre, la réaction biologique dans
une situation pathologique, comme dans notre cas par exemple, peut être considérablement
retardée.
Soit le modèle de la réponse immunitaire innée avec retard [17], [18], [18].
𝑥̇ 1 = (1 − 𝑥3 )𝑥1 − 𝑢1
𝑥̇ 2 = 3 ∗ 𝑎21 (𝑥4 ) 𝑥1 (𝑡 − 𝑟𝑥1 ) 𝑥3 (𝑡 − 𝑟𝑥3 ) − (𝑥2 − 2) + 𝑢2
𝑥̇ 3 = 𝑥2 − (1.5 + 0.5 𝑥1 )𝑥3 + 𝑢3
𝑥̇ 4 = 0.5 ∗ 𝑥1 − 𝑥4 − 𝑢4
Les paramètres de ce modèle sont déjà présenter dans la section [chapitre 4.1].
Les retards éventuels sont les suivants: les retards 𝑟𝑥1 dans la concentration d'agents
pathogènes x1 et 𝑟𝑥3 dans la concentration d'anticorps x3, Ces retards provoquent une
production de cellules de plasma retardée.
Considérons les valeurs des retards suivants:
𝑟𝑥1 = 𝑟𝑥3 = 1.0 (4.20)

Les valeurs et fonctions initiales sont données comme suit :
𝑥1 (𝑡) = 0, −𝑟𝑥1 = −1 ≤ 𝑡 ≤ 0 , x1(0) = 3, (4.21)

x3(t) = 4/3, −𝑟𝑥3 = −1 ≤ 𝑡 ≤ 0
x2(0) = 2, x4(0) = 0.
La fonction A (x4) n'est pas différentiable en x4 = 0.5, de sorte que le problème de contrôle a
une dynamique non lisse. Afin d'éviter la non-différentiable de la fonction A (x4) à x4 = 0.5,
nous allons considérer la contrainte mixte état-commande suivante sans retard:
C(x(t), u(t)) = 0.1 𝑢4 (t) + 𝑥4 (t) ≤ α ≤ 0.5 pour t ∈ [0, T] (4.22)
On considère la fonction de coût scalaire suivant :

𝑡
𝐽 = (𝑥1𝑓 2 + 𝑥4𝑓 2 ) + ∫𝑡 𝑓(𝑥1 2 + 𝑥4 2 + 𝑢1 2 + 𝑢2 2 + 𝑢3 2 + 𝑢4 2 ) 𝑑𝑡 (4.23)
0
Pour des raisons de notation, nous introduisons l'ensemble des variables représentant les
variables retardées suivant: y1 = x1 (t - 𝑟𝑥1 ) , y3 = x3 (t - 𝑟𝑥3 ) .

Nous gardons la notation X = (𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ) et U = (𝑢1 , 𝑢2 , 𝑢3 , 𝑢4 ) pour les variables
non retardées d'état et de commande.
L’ hamiltonien pour le problème de la commande optimale avec retard est donné par :
H(x, u, y1, y3, λ, t) = (𝑥1 2 + 𝑥4 2 + 𝑢1 2 + 𝑢2 2 + 𝑢3 2 + 𝑢4 2 ) (4.24)
+ 𝜆1 [(1 − 𝑥3 )𝑥1 − 𝑢1 ]
+𝜆2 [3 ∗ 𝐴 (𝑥4 ) 𝑦1 𝑦3 − (𝑥2 − 2) + 𝑢2 ]
+𝜆3 [ 𝑥2 − (1.5 + 0.5 𝑥1 )𝑥3 + 𝑢3 ]
+𝜆4 [0.5 𝑥1 − 𝑥4 − 𝑢4 ]
où λ = (𝜆1 ,𝜆2 , 𝜆3 , 𝜆4 ) désigne la variable adjointe .
En tenu Compte de la contrainte de contrôle mixte, le hamiltonien augmenté se

transforme suit:
H (t, x, y1, y3, u, λ, µ) = H(t, x, y1, y3, u, λ) + µ* C(t, x, u) (4.25)
H (t, x, y1, y3, u, λ, µ) = H(t, x, y1, y3, u, λ) + µ*(0.1u4 + x4 − α)

Avec un multiplicateur scalaire μ. Les équations adjointes (3.13) conduisent aux équations
avancées suivantes:
𝜆1̇ = −[2𝑥1 + 𝜆1 (1 − 𝑥3) − 0.5 𝜆3 𝑥3 + 𝜆4 ] − 𝜒[0,𝑇 −𝑟𝑥1] * 3𝜆2 (t + rx1)
* A(x4(t + rx1)) x3(t + rx1 − rx3) (4.26)
𝜆2̇ = 𝜆2 − 𝜆3
𝜆3̇ = 𝜆1 𝑥1 + 𝜆3 (1.5 + 0.5𝑥1) − 𝜒[0,𝑇 −𝑟𝑥3] ∗ 3𝜆2 (𝑡 + 𝑟𝑥3)

∗ 𝐴(𝑥4(𝑡 + 𝑟𝑥3))𝑥1(𝑡 + 𝑟𝑥3 − 𝑟𝑥1)
𝜆4̇ = −[2𝑥4 + 3𝜆2 𝐴′ (𝑥4)𝑥1(𝑡 − 𝑟𝑥1)𝑥3(𝑡 − 𝑟𝑥3) − 0.5 𝜆4 ] − 𝜇(𝑡)

La condition de transversalité donne :(T=t f )
𝜆1 (T) = 2x1(T), 𝜆2 (T) = 0, 𝜆3 (T) = 0, 𝜆4 (T) = 2x4(T). (4.27)

À partir de l’équation hamiltonien augmenté H, on trouve les quatre équations suivantes de la
commande:
𝐻𝑢1 [𝑡] = 2𝑢1 (t) - 𝜆1 (t) = 0 (4.28)

𝐻𝑢2 [𝑡] = 2𝑢2 (t) + 𝜆2 (t) = 0,
𝐻𝑢3 [𝑡] = 2𝑢3 (t) + 𝜆3 (t) = 0
𝐻𝑢4 [𝑡] = 2𝑢4 (t) - 𝜆4 (t) + 0.1µ(t) = 0.
Les figures 22 représentent les résultats de simulation pour rx1= rx2 = 1 :
8
x1-patogene
7 x2-les cellules plasmatiques
x3-anticorps
6 x4-organe
concentration
0
0 1 2 3 4 5 6 7 8 9 10
temps
3.5
3 U1
U2
concentration
2.5 U3
U4
2
1.5
0.5
0
0 1 2 3 4 5 6 7 8 9 10
temps
Figure 22: Solution optimale des équations d’états et de commande avec retard égale à un
La figure 22 indique que la production de cellules de plasma est retardée d’une seule unité de
temps, est ça due au retard qu’on a appliqué au système. Par la suite la production de ces
cellules augmente d’une façon normale, alors que la concentration du pathogène s’annule
avant les deux premières unités de temps et l’organe reste on bonne santé.
Alors que les commandes rejoignent à zéros après qu’ils ont tué l’agent pathogène avec
succès. La dose des médicaments tueuses d'agents pathogènes sont supérieure aux autres
médicaments, suivi des médicaments activateur d’organe et d’anticorps avec presque la même

dose, alors que la dose des médicaments activateur des cellules de plasma sont les plus
faibles ceci est due au retard de production de ces cellules.
Si on change le retard rx1= rx2 = 2.5, on trouve les résultats suivants:
x1-patogene
9
x2-les cellules plasmatiques
x3-anticorps
7 x4-organe
concentration
1
0
0 1 2 3 4 5 6 7 8 9 10
temps
(a)
3.5 U1
U2
3
U3
concentration
2.5 U4
1.5
0.5
0
0 1 2 3 4 5 6 7 8 9 10
temps
(b)
Figure 23: Solution optimale des équations d’états avec des retards égale à 2.5
On remarque que la production de cellules de plasma est retardée de 2.5 unité de temps et sa
concentration augmente jusqu’à 8 lors de production des anticorps, cette valeur supérieure à
la valeur de la concentration (=7) dans le cas où le retard égale à un. Alors que la
concentration du pathogène s’annule après deux unités de temps.

7. Conclusion
Un système automatique et efficace pour l'administration du médicament afin de lutter
contre la maladie est présenté. Il est appliqué sur un modèle générique d'attaque pathogène
sur le système immunitaire inné. L'état dynamique du système décrit les concentrations de
l'agent pathogène, les cellules plasmatiques et les anticorps, ainsi qu'une description
quantifiée de la santé d'organes. Après avoir présenté la réponse naturelle du système pour
différents concentrations d'agents pathogènes initiaux. Sans traitement, l'agression
microbienne serait mortelle, avec la thérapie, l'agression peut être contenue et la santé des
organes peut être préservée.
Le contrôleur est conçu dans un premier temps en s’appuyant sur le principe de l'inversion
dynamique. Par la suite, la commande optimale sans et avec retard en se basant sur le
principe du maximum de Pontriaguine est appliquée.
Une importante constatation est que les approches adaptées à la thérapie peuvent être
identifiés, soit par des agents qui attaquent le pathogène directement ou en améliorant la
capacité défensive du système immunitaire naturel.
La théorie du contrôle optimal peut aider à développer un aperçu clinique dans le suivi et le
traitement des maladies. La flexibilité et la simplicité par rapport de cette technique peut
conduire à une meilleure thérapie pour les individus, dont les caractéristiques peuvent être
prises en compte lors de l'établissement de traitement.
Bien que cette approche de contrôle-théorique de développement de nouveaux protocoles

thérapeutiques ait été illustrée à l'aide d'un modèle mathématique simple, son application à
des représentations plus précise de la dynamique des maladies réelles est apparente.

Conclusion générale
Le système immunitaire protège le corps humain contre les envahisseurs. Quand il y a une
invasion de pathogènes dans un organe, le système immunitaire réagit en produisant des
anticorps pour combattre l'agent pathogène. Si la concentration de ce dernier est élevée, la
réponse immunitaire sera insuffisante, le système immunitaire devient alors faible. Ainsi,
l'organe affecté ne parvient pas à se rétablir naturellement, d’où un besoin de médicaments
qui vont permettre de guérir l'organe malade et d’améliorer le système immunitaire.
Seulement, l’utilisation de ces thérapies provoque des effets secondaires indésirables donc
une intolérance croissante physique et psychique des malades.
L’objectif de ce travail est de concevoir un système automatique efficace pour

l'administration du médicament, en utilisant les outils de la théorie de contrôle.
Ce rapport est organisé comme suit :
Tout d’abord, une présentation générale de la biologie des systèmes est relatée en mettant
l’accent sur le rôle de la modélisation, l'analyse et la rétroaction dans les systèmes
biologiques. Suivi de quelques applications de contrôle dans le domaine de la biologie.
Par la suite, le système immunitaire est évoqué d’une façon générale, son rôle, ces
mécanismes de défense, et ces deux aspects innée et adaptative sont présentés.
Comme la théorie du contrôle optimal peut aider à développer un aperçu clinique dans le suivi
et le traitement des maladies. Les bases théoriques du contrôle optimal sont exposées, avec
notamment le principe du maximum de Pontryagin, ainsi que la théorie d’Hamilton-Jacobi.
Par ailleurs, la théorie du contrôle optimal pour des systèmes de contrôle linéaires est étalée,
la théorie dite linéaire-quadratique.
Finalement, après avoir présenté la dynamique de système modélisée par un système

d'équations différentielles qui tient compte de la réponse immunitaire et de l'action des
médicaments. Différentes commandes ont été appliquées à notre système biologique, le
système immunitaire inné, la commande linéarisante, la commande linéaire quadratique à
horizon fini et enfin le control optimal avec retard.
L'état dynamique du système représente les concentrations de l'agent pathogène, des cellules
plasmatiques, des anticorps, ainsi qu'une description quantifiée de la santé d'organes.
Dans un premier temps, la réponse naturelle du système e. i sans médicaments à une plage de
concentrations initiales de pathogènes est présentée. Les résultats de simulation ont montré
que sans traitement, l'agression microbienne pourrait être mortelle.
Par la suite, une commande simple à savoir la commande linéarisante est appliquée, les
résultats montrent que la méthode d'administration du médicament déduite de cette technique
est efficace et permet de tuer les microbes envahisseurs et guérir le patient malade.

D’autre part, avec la mise en œuvre de la commande optimale linéaire quadratique à horizon
fini, avec la thérapie, l'agression peut être contenue et la santé des organes peut être préservée.
Les résultats montrent que chacun des agents thérapeutiques utilisés séparément ou
simultanément peuvent tuer l'agent pathogène et maintenir la santé des organes en améliorant
le système immunitaire.
Finalement, vu que la réaction biologique dans une situation pathologique, comme dans notre
cas, peut être considérablement retardé, la commandé optimale avec retard a été appliquée.
Une telle approche s’est avérée efficace dans le traitement de la maladie permettant de guérir
l'organe malade et d’améliorer le système immunitaire.
La théorie du contrôle peut ainsi conduire à de nouveaux protocoles pour le traitement et

désinfection des maladies humaines.

Références
[1] W.B. Cannon. The Wisdom of the Body. New York: W.W. Norton & Company, 1932.
[2] F.J. Doyle III, L. Jovanovic, D.E. Seborg, R.S. Parker, B.W. Bequette, A.M. Jeffrey, X.
Xia, I.K. Craig, and T.McAvoy, “A tutorial on biomedical process control,” J. Process Control, vol.
17, pp. 571-630, 2007.
[3]J. Boston, M. Simaan, J. Antaki, and Y. Yu. “Control issues in rotary heart assist devices,” in Proc.
American Control Conference, 2000, pp. 3473-3477.
[4] G. Giridharan and M. Skliar. “Nonlinear controller for ventricular assist devices,” Artificial
Organs, vol. 26, pp. 980-984, 2002.
[5] E. Pfeiffer, C. Thum, and A.H. Clemens. “The artificial beta cell – a continuous control of blood
sugar by external regulation of insulin infusion (glucose controlled insulin infusion system),” Horm.
Metab. Res., vol. 487, pp. 339-342, 1974
[6] A. Clemens. “Feedback control dynamics for glucose controlled insulin infusion system.” Med.
Progr. Technol., vol. 6, pp. 91-98, 1979.
[7] G.M. Steil and M.F. Saad. “Automated insulin delivery for type 1 diabetes,” Curr. Opin.
Endocrinol. Diabetes, vol. 13, pp. 205-211, 2006.
[8] R. Parker, F. Doyle, and N. Peppas. “A model-based algorithm for blood glucose control in type I
diabetic patients,” IEEE Trans. Biomed. Eng., vol. 46, pp. 148-157, 1999.
[9] R. Hovorka, L.J. Chassin, M.E. Wilinska, V. Canonico, J. Akwe, O.M. Federici, M. Massi-
Benedetti, I. Hutzli, C.Zaugg, H. Kaufmann, M. Both, T. Vering, H. Schaller, L. Schaupp, M.
Bodenlenz, and T. Pieber, “Closing the loop: The adicol experience,” Diabetes Technology &
Therapeutics, vol. 6, pp. 307-318, 2004.
[10] R. Hovorka, J.M. Alle, D. Elleri, L.J. Chassin, J. Harris, D. Xing, C. Kollman, T. Hovorka, A.M.
Larsen, M. Nodale, A. De Palma, M.E. Wilinska, C.L. Acerini, and D.B. Dunger. “Manual closed-
loop insulin delivery in children and adolescents with type 1 diabetes: A phase 2 randomised crossover
trial,” Lancet, Feb. 4, 2010.
[11] Emmanuel Trélat. ‘Contrôle optimal : théorie et applications’. Université Pierre et Marie
Curie (Paris 6) et Institut Universitaire de France Laboratoire Jacques-Louis Lions CNRS, UMR 7598
4 place Jussieu, BC 187 75252 Paris cedex 05, France.
[12] Edouard Laroche.’ Commande Optimale’ http://eavr.u-strasbg.fr/~laroche/student. 2009–2010.
[13] Jalel GHABI.ISSAT Kairouan Cours de’ Commande optimale ‘2010-2011.
[14] Dr. Radhakant Padhi .’Classical Numerical Methods to Solve Optimal Control Problems’.
[15] Commande optimale des systèmes dynamiques Cours 4 Approche variationnelle en commande
optimale Principe du maximum de Pontryagin. LAAS-CNRS.ISAE-N6K.
[16] Richard M. Murray. ‘Optimization-Based Control’. Control and Dynamical Systems California
Institute of Technology.

[17] Robert F. Stengel, Raffaele Ghigliazza, and Nilesh Kulkarni. ‘OPTIMAL ENHANCEMENT OF
IMMUNE RESPONSE’ BIOINFORMATICS .2002.
[18] Robert F. Stengel, Raffaele Ghigliazza, Nilesh Kulkarni and Olivier Laplace.’ Optimal control of
innate immune response’Optim. Control Appl. Meth., 2002; 23: 91–104.
[19]JAYENDER R. BHARDHWAJ AND RADHAKANT PADHI .’ Effective drug dosage design for
treatment of infectious diseases using dynamic inversion’J. Indian Inst. Sci., July–Aug. 2006, 86, 377–
388.
[20] Helmut Maurer ‘Theory and Applications of Optimal Control Problems with Time-Delays’.
University of Munster Institute of Computational and Applied Mathematics South Pacific
Optimization Meeting (SPOM) Newcastle, CARMA, 9–12 February 2013.
[21] L. Gollmann D. Kern and H. Maurer.’ Optimal control problems with delays in state and control
variables subject to mixed control–state constraints’ Optim. Control Appl. Meth. (2008) Published
online in Wiley InterScience.
[22] Bor-Sen Chen , Chia-Hung Chang , Yung-Jen Chuang.’ Robust model matching control of
immune systems under environmental disturbances: Dynamic game approach’ Journal of Theoretical
Biology 253 (2008) 824– 837.
[23] Min Wu ,Yong He et Jin-Hua She,’ Stability Analysis and Robust Control of Time-Delay
Systems’ Library of Congress Control Number: 2009942249.

Commande D'un Systeme Biologiq - FAKRI Radouane - 3279

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Commande D'un Systeme Biologiq - FAKRI Radouane - 3279

Transféré par

Droits d'auteur :

Formats disponibles

Université Sidi Mohamed Ben Abdellah

Faculté des Sciences et Techniques Fès

Mémoire de Projet de fin d’étude

Pour l’obtention du diplôme

Master Sciences et Techniques

Commande d’un système

Pr. ES-SBAI NAJIA ……………………………… : Encadrante

ANNEE UNIVERSITAIRE 2015- 2016

Commande d’un système biologique Page 1

Commande d’un système biologique Page 2

Commande d’un système biologique Page 3

Commande d’un système biologique Page 4

Commande d’un système biologique Page 5

Commande d’un système biologique Page 6

Ainsi, la modélisation devient une partie du raisonnement biologique. Il s’agit, de permettre

Commande d’un système biologique Page 7

L’objectif de ce travail est de concevoir un système automatique et efficace pour

Le rapport est structuré comme suit :

Commande d’un système biologique Page 8

Finalement, le chapitre 4 regroupe les différentes commandes appliquées à notre système

Commande d’un système biologique Page 9

Le Laboratoire LERSI est constitué de 3 équipes de recherches à savoir :

 Equipe 1 : Microélectronique et Systèmes Embarqués (MSE)

 Equipe 2 : Système à Energies Renouvelables : Intégration & Gestion Intelligence

 Equipe 3 : Réseaux, Télécommunications et Ingénierie Logicielle (RTL)

Commande d’un système biologique Page 10

Commande d’un système biologique Page 11

Théorie de Contrôle des

Commande d’un système biologique Page 12

2. Biologie des systèmes

La modélisation fournit un cadre théorique unifié prenant en compte des observations

Commande d’un système biologique Page 13

Une autre caractéristique importante de nombreux systèmes biologiques est la stochasticité :

5. Système dynamique, Rétroaction et Contrôle

Un exemple est la régulation du glucose dans le sang à travers la production de l'insuline et du

Commande d’un système biologique Page 14

La rétroaction offre aussi la possibilité de changer la dynamique d'un système. En effet, le

6. Exemples des applications de Contrôle dans le domaine de la

 Son manque de maturité.

6.1 Système cardio-vasculaire

Commande d’un système biologique Page 15

6.2 Pancréas artificiel

Commande d’un système biologique Page 16

6.4 D'autres applications médicales

Commande d’un système biologique Page 17

7. Des systèmes à la biologie synthétique

Plusieurs développements scientifiques et technologiques au cours des quatre dernières

La biologie synthétique a la possibilité de fournir de nouvelles approches à la résolution de

Commande d’un système biologique Page 18

Commande d’un système biologique Page 19

Commande d’un système biologique Page 20

Commande d’un système biologique Page 21

Parmi les cellules du système immunitaire il y a les neutrophiles, un groupe de globules

Commande d’un système biologique Page 22

Commande d’un système biologique Page 23

Commande d’un système biologique Page 24

7. Soigner le cancer avec l’immunothérapie

Commande d’un système biologique Page 25

Les cellules cancéreuses qui réussissent à échapper à la surveillance du système immunitaire

Commande d’un système biologique Page 26

Commande d’un système biologique Page 27

Figure 1:problème de contrôlabilité [11].

Commande d’un système biologique Page 28